21世紀(jì)經(jīng)濟報道記者 陳植 上海報道

(相關(guān)資料圖)

隨著量化私募日益增多，這個賽道的競爭程度趨于激烈。

在近日舉行的2023·量化科技嘉年華論壇期間，多位與會量化私募基金負(fù)責(zé)人感慨，量化私募市場正變得越來越“卷”。

“幾乎每家量化私募基金都在不遺余力地提升超額收益，因為這關(guān)系到他們能否募集到更多資金，在激烈市場競爭過程立于不敗之地。”一位百億量化私募基金負(fù)責(zé)人向記者指出。

但要持續(xù)獲得高超額收益，絕非易事。

這意味著量化私募基金一方面需要在數(shù)據(jù)、算力、算法等方面持續(xù)突破，推動量化策略迭代升級；另一方面則要積極融合AI與大模型技術(shù)，通過深度學(xué)習(xí)技術(shù)挖掘出更多能提升投資回報率的因子。

上海人工智能研究院有限公司總工程師王資凱直言，AIGC會令財經(jīng)領(lǐng)域數(shù)據(jù)信息呈現(xiàn)爆發(fā)式、指數(shù)式的增長，由此對量化交易產(chǎn)生一系列新挑戰(zhàn)，比如大語言模型的誕生，將對量化策略形成三大沖擊，包括內(nèi)部工程效率全面提升，交互水平和內(nèi)容分發(fā)機制全面的變遷，金融內(nèi)容生產(chǎn)能力的躍升。

中金財富信息技術(shù)部總經(jīng)理謝碧松直言，就量化策略的技術(shù)支持需求而言，5年前行業(yè)在交易性能方面比拼激烈，2年前在交易執(zhí)行效率方面競爭白熱化，近期行業(yè)又圍繞深層次數(shù)據(jù)分析開啟新的“內(nèi)卷”，但這也給量化策略“新基建”帶來新的發(fā)展空間。

值得注意的是，越來越多量化私募基金則感慨當(dāng)前量化策略的金融基礎(chǔ)設(shè)施依然不夠完善。

記者多方了解到，目前量化私募基金在量化策略建模過程，主要面臨三大痛點：

一是量化策略開發(fā)越來越廣泛地使用更高頻數(shù)據(jù)，隨著高頻行情數(shù)據(jù)與高頻因子的數(shù)據(jù)量日益增加，傳統(tǒng)的技術(shù)框架無法滿足量化行業(yè)對海量數(shù)據(jù)存儲和分析計算的性能要求；

二是量化私募在投研階段通常使用Python編程，但實盤交易環(huán)節(jié)則使用C++編程，導(dǎo)致同一套因子需要開發(fā)兩套代碼且保證結(jié)果一致，開發(fā)成本較高；

三是如何將數(shù)據(jù)庫中存儲的海量因子數(shù)據(jù)以最高效的方式傳輸給PyTorch等因子模型的訓(xùn)練工具。

多位量化私募人士向記者透露，他們現(xiàn)有的技術(shù)解決方案存在改善的空間，比如使用MySQL、PostGreSQL等通用數(shù)據(jù)庫進行海量數(shù)據(jù)存儲與清洗，但其存在磁盤內(nèi)存占用率較大、查詢性能較低、數(shù)據(jù)導(dǎo)入Python耗時過長等痛點；在策略研發(fā)與因子計算方面通常使用Python技術(shù)，也存在因子計算與策略回測耗時長等問題，導(dǎo)致策略研發(fā)效率相對低下。

這無形間催生出專門為量化策略提供底層金融基礎(chǔ)設(shè)施服務(wù)的量化金融服務(wù)商。

DolphinDB聯(lián)合創(chuàng)始人兼COO 初陽春接受本報記者專訪時表示，他們一方面提供基于自研的高性能分布式時序數(shù)據(jù)庫的實時計算系統(tǒng)，在量化私募提供海量數(shù)據(jù)高效查詢與高性能復(fù)雜計算場景，提升他們的策略研發(fā)效率，另一方面則研發(fā)流批一體技術(shù)，令投研與實時交易共用同一套因子代碼，減少量化私募的因子實施成本與耗時。

他直言，DolphinDB之所以進入這個賽道，主要原因是前些年他們看到歐美市場存在專門的量化金融服務(wù)商，為歐美投資機構(gòu)量化策略、中高頻交易提供數(shù)據(jù)存儲清洗與因子挖掘等賦能，但在中國，這個產(chǎn)業(yè)剛剛起步。

記者獲悉，隨著近年越來越多量化金融服務(wù)商相繼面世，這個賽道競爭同樣趨于激烈。

“誰能最終脫穎而出，取決于他們能否滿足量化私募基金的新業(yè)務(wù)需求。”上述百億量化私募金負(fù)責(zé)人向記者指出。具體而言，一是隨著量化私募策略迭代提速，他們需要更高效的策略與因子開發(fā)，由此帶來更多類型更大量數(shù)據(jù)的需求，且數(shù)據(jù)清洗與因子計算的性能要求更高，二是目前幾乎所有的量化私募都在使用AI深度學(xué)習(xí)技術(shù)，期待它能創(chuàng)造出更多有價值的投資因子與量化策略。

初陽春告訴記者，DolphinDB將一面與主流的AI深度學(xué)習(xí)框架進行更好地連接，方便量化私募基金更好運用AI深度學(xué)習(xí)技術(shù)，一面則對IB高速網(wǎng)絡(luò)與GPU等新型硬件進行適配開發(fā)，進一步提升量化私募的數(shù)據(jù)存儲清洗與因子計算等性能。

湘財證券總裁周樂峰表示，在經(jīng)歷高速發(fā)展期后，量化投資領(lǐng)域的同質(zhì)化問題開始出現(xiàn)，超額回報也有所衰減，在這種情況下，整個行業(yè)需持續(xù)擴容人才隊伍，加快策略迭代效率同時，將響應(yīng)速度、日常業(yè)務(wù)整合優(yōu)化也提上議事日程，這或許也是量化投資行業(yè)下一階段制勝的關(guān)鍵。

海量數(shù)據(jù)存儲清洗分析痛點待解

面對日益激烈的市場競爭，越來越多量化私募基金紛紛建立數(shù)據(jù)庫、數(shù)據(jù)分析系統(tǒng)與實時流計算系統(tǒng)等基礎(chǔ)設(shè)施，進一步提升策略研發(fā)效率與博取更多高超額回報機會。

但在實際操作環(huán)節(jié)，不少量化私募基金發(fā)現(xiàn)這項工作實踐效果差強人意。

究其原因，一是他們通過SQL語言查詢海量數(shù)據(jù)時，需先將數(shù)據(jù)傳輸?shù)椒治鱿到y(tǒng)再進行計算，導(dǎo)致他們對海量數(shù)據(jù)進行計算分析時，逾90%時間都耗費在數(shù)據(jù)傳輸環(huán)節(jié)，令策略研發(fā)效率大打折扣，二是他們使用Python技術(shù)進行數(shù)據(jù)回測與因子計算（比如日頻量化因子計算）時，耗時過長，直接影響量化策略的研發(fā)實施效率。

這背后，是眾多通用性系統(tǒng)均非針對量化交易的使用場景與數(shù)據(jù)量處理而設(shè)計，導(dǎo)致量化私募基金在使用大規(guī)模金融數(shù)據(jù)，尤其是使用中高頻交易數(shù)據(jù)時，這些通用性系統(tǒng)性能遠遠無法滿足量化私募的需求。且大規(guī)模數(shù)據(jù)在各個系統(tǒng)之間的轉(zhuǎn)移耗時時間太長，成為整個量化策略系統(tǒng)性能提升的一大瓶頸。

一位量化私募基金技術(shù)總監(jiān)向記者透露，他們也嘗試使用多種數(shù)據(jù)庫技術(shù)解決方案，比如NewSQL，但他們的性能不能滿足中高頻數(shù)據(jù)處理的需求；此外他們還使用過采用行存+BTree索引架構(gòu)的知名數(shù)據(jù)庫，其優(yōu)點是點擊查詢一行數(shù)據(jù)時相當(dāng)高效，但缺點是它存在數(shù)據(jù)庫磁盤空間占用過大等問題，讀取大數(shù)據(jù)量時性能不佳。

“這需要量化金融基礎(chǔ)設(shè)施服務(wù)商從寫第一行代碼起，就需要著手解決量化交易場景里的上述問題。” 初陽春向記者直言。量化交易的需求，不只是海量數(shù)據(jù)的存儲查找，更注重高性能復(fù)雜計算，所以量化金融服務(wù)商需同時提供高性能數(shù)據(jù)庫、多范式編程語言、豐富的因子庫與流計算引擎，才能滿足量化交易的全鏈路需求。

記者了解到，為了解決量化交易所面臨的數(shù)據(jù)存儲清洗分析痛點，庫內(nèi)計算、高性能分布式計算與并行計算、實時流式計算引擎、向量化計算等技術(shù)必不可少。

所謂庫內(nèi)計算，就是復(fù)雜的量化金融計算任務(wù)可在數(shù)據(jù)庫內(nèi)直接執(zhí)行，避免海量數(shù)據(jù)從數(shù)據(jù)庫轉(zhuǎn)移到計算系統(tǒng)，節(jié)省數(shù)據(jù)分析耗時。這要求數(shù)據(jù)庫系統(tǒng)提供功能完備的編程語言與大量計算函數(shù)。

實時流式計算引擎則專門針對金融實盤場景設(shè)計，很大程度簡化量化私募基金的實盤策略開發(fā)工作，包括在亞毫秒級完成上百個因子的實時計算，將實盤策略上線時間從2-3月縮減至1-2周。

初陽春向記者透露，為了實現(xiàn)庫內(nèi)計算與實時流式計算引擎的高效率，他們提供逾1500個內(nèi)置函數(shù)，覆蓋量化交易在數(shù)據(jù)庫、數(shù)據(jù)分析與實時計算的絕大部分需求，以便量化私募基金直接使用他們腳本語言在庫內(nèi)運算，最大程度節(jié)省數(shù)據(jù)分析計算耗時。

在他看來，這也有助于大幅縮短量化策略從研發(fā)到上線實施的時間。因為傳統(tǒng)的量化策略開發(fā)流程，通常是投研人員先使用Python技術(shù)進行因子挖掘與量化策略研發(fā)，但為了滿足高頻量化策略的低延時交易要求，他們又會采取C++語言對量化策略投資邏輯進行重寫，導(dǎo)致整個高頻量化策略的開發(fā)周期很長，通常以月為單位，其中不少時效性強的量化策略尚未上線就已經(jīng)失效。

“隨著越來越多量化私募基金在策略研發(fā)上線方面拼速度拼效率，量化金融服務(wù)商也需要與時俱進，滿足量化私募策略迭代效率提升的諸多新訴求。”初陽春強調(diào)說。

AI時代下的量化策略迭代新挑戰(zhàn)

值得注意的是，隨著AI在量化策略研發(fā)的應(yīng)用日益廣泛，越來越多量化私募基金將它視為新的核心競爭力。

一位百億量化私募投研總監(jiān)向記者指出，現(xiàn)在幾乎所有的量化私募基金都在使用AI技術(shù)。以往，不少量化私募基金認(rèn)為AI在數(shù)據(jù)收集端，能提升后臺的數(shù)據(jù)處理分析效率，但現(xiàn)在，越來越多量化私募基金都將AI深度學(xué)習(xí)技術(shù)應(yīng)用于因子挖掘，數(shù)據(jù)特征抽取、特征數(shù)據(jù)組合搭建等領(lǐng)域，甚至還有私募機構(gòu)嘗試在交易訂單執(zhí)行方面使用AI技術(shù)以提升交易效率。

“目前，不少量化私募基金擔(dān)心在未來某個時刻，當(dāng)AI在量化投資算法模型搭建與算力維度取得突破性進展后，整個量化私募市場的競爭將進入前所未有的激烈，除非量化私募基金在數(shù)據(jù)挖掘與因子挖掘等方面具有前瞻性的布局與深厚積累，才有可能憑借策略先發(fā)優(yōu)勢獲取較高超額回報，但在交易端，AI技術(shù)能令任何量價套利高回報機會迅速被捕捉殆盡。”他指出。

初陽春直言，一直以來，因子挖掘是量化交易的基礎(chǔ)，尤其隨著量化私募市場競爭加劇，越來越多量化私募基金更需要AI技術(shù)開發(fā)大量有價值的因子，但他們調(diào)研發(fā)現(xiàn)，不少量化私募基金在通過AI深度學(xué)習(xí)技術(shù)挖掘出因子后，因子存儲成為一大痛點，其中包括因子數(shù)據(jù)量過于龐大、因子庫需動態(tài)變化、多因子需對齊輸出等。因此DolphinDB一直在提供有效解決方案破解這些痛點。

記者多方了解到，隨著ChatGPT技術(shù)日益普及，越來越多量化私募基金圍繞這項新AI技術(shù)試水一系列全新的量化策略，比如根據(jù)ChatGPT所顯示的散戶對個股的看漲情緒數(shù)據(jù)，構(gòu)建新的量化投資組合；再如將同一個量化策略試水不同的市場交易情緒（對ChatGPT所提供的不同市場交易情緒數(shù)據(jù)進行分析），測試其有效性與投資回報高低。但是，這都需要一系列高效的數(shù)據(jù)回測引擎工具，以便他們能快速研發(fā)新的量化交易策略。

初陽春告訴記者，這意味著在AI時代，量化私募基金需要更多能夠自定義的回測引擎與優(yōu)化工具。目前DolphinDB致力于向量化私募基金提供上述引擎工具，以便他們使用DolphinDB回測框架與語法，一方面可以模擬歷史交易并評估上述量化交易策略與因子策略的業(yè)績表現(xiàn)；另一方面通過回放高頻數(shù)據(jù)，實現(xiàn)多表有序的行情仿真。

卡方科技聯(lián)合創(chuàng)始人鄭盛表示，隨著AI大模型技術(shù)的興起，量化交易將進入“新范式時代”。尤其是未來ChatGPT5.0、6.0、7.0的出現(xiàn)，將進一步助力量化交易市場的投資交易風(fēng)控。未來的量化私募基金的“軍備競賽”，將進一步集中在數(shù)據(jù)、算力和算法領(lǐng)域，也令量化金融服務(wù)商需使用更多AI技術(shù)賦能整個行業(yè)發(fā)展。

博時基金基金經(jīng)理桂征輝認(rèn)為，在量化投資領(lǐng)域，智能化也會成為一個新趨勢，尤其是數(shù)據(jù)要素和智能科技在前沿領(lǐng)域的廣泛應(yīng)用，將不斷拓寬了量化投資的內(nèi)涵。通過大數(shù)據(jù)、機器學(xué)習(xí)等技術(shù)的進步，量化投資將會不斷地迭代和升級。

關(guān)鍵詞：