2020年11月23日，北大光华“MFin思想汇”第七期邀请到大成基金管理有限公司数量与指数投资部总监黎新平先生进行分享。他以“量化对冲基金投资实务与金融科技”为题，结合生动的行业案例，深入阐释了量化对冲基金的发展历程、常用策略和投资逻辑等内容。

1. 什么是量化？量化，是可被数据反复验证的投资经验和投资规律的模型化和规则化。量化投资从基本的投资直觉和逻辑出发，经过大量的数据验证，形成有效的交易模型，在此之上还有成本管理和风险管理模型，一并组成程序化交易的基本框架，然后应用到投资者决策里。

2. 一般而言，采用对冲交易手段的基金称为对冲基金，在交易中常常使用期货、期权等衍生工具进行风险的管理。目前，排名靠前的对冲基金大半是量化的，其中规模最大的对冲基金是AQR。AQR是多因子模型的主要倡导者和实践者，把实际投资和学术理论非常好地结合在一起。第二大的是桥水基金，桥水最出名的是全天候资产配置策略和风险评价策略，获得了很高的风险收益比。量化对冲领域最牛的公司是Renaissance，其大奖章基金在过去30年内具有高达39%的平均年化收益，Renaissance主要是在期货衍生品领域，通过高频交易来获取alpha。

3. 量化对冲基金的一大特点是，其发展与学术的发展有非常紧密的联系，某个重要的学术理论可能直接导致某个大的量化对冲基金领域的产生。例如，Black-Scholes期权定价理论促使了可转债套利策略的产生；量化资产配置的基本框架启发于均值-方差模型；多因子模型起源于Fama-French三因子模型。

4. 量化对冲基金的常用策略包括股票多空、多策略、事件驱动、CTA、宏观对冲、套利等。其中最主流的是股票多空策略。由于套利空间不断缩小，套利策略的规模占比越来越小。

5. 量化对冲基金追求的是最大的风险收益比。从99年到现在全球量化对冲基金的平均年化收益率是8%+，并不算高，但是具有较高的Sharpe比率。

6. 什么是量化对冲？量化对冲的过程可分解为三步，首先将资产回报分割为不同的风险因子，再对各风险因子进行定价和分析，最后将资产组合理解为风险因子的组合，对不想持有的风险因子进行对冲，获取相对稳定的收益。例如，在量化alpha策略中，把股票风险分割为系统化风险和股票本身风险，把系统化风险通过股指期货对冲掉，剩下就是选择个股的超额收益。此外，可转债套利和统计套利是两个经典的量化对冲案例。

7. 做量化要具备哪些技能和背景？量化对技术和知识的要求非常广泛，在统计、数学、金融经济、信号处理、机器学习、优化运筹、编程等领域都会有所涉及，需要对数据和数理模型有较深的理解。同时，量化投资领域的求职环境和职业发展受市场的大环境影响较大。因此，哪怕能掌握所有知识，也不一定发展得很好。在量化中对风险有稍微的忽略，就可能一瞬间从顶端跌到底端。

8. 风险管理是量化投资的核心，任何量化模型都有其适用及不适用的环境。一个著名的例子是长期资本(LTCM)公司，其主要策略是对市场上的定价偏差进行多空套利。在1994-1997年投资回报非常好，但1998年以60-100倍的杠杆，对俄罗斯违约风险的押注及受亚洲金融危机影响，在短短150天内亏掉90%。其主要教训是高杠杆风险以及对模型的过度自信。

9. 目前在国内，量化对冲基金或者量化还是小众市场，仅占市场份额的5%-7%左右。但策略的覆盖相对比较全面，除衍生品相关策略以及股票空头覆盖相对较少，在股票和期货领域都有相应策略。国内量化对冲的黄金年代在2010-2015年，当时股指期货放开、小盘股走势良好，很多量化基金发展起来。从2017、2018年开始形成了比较好的高频策略，目前高频策略相对占优。

10. 多因子策略的基本模式是找到某些和收益率相关的因子，根据因子打分的排序来构建股票组合，以获得超额收益。多因子策略的关键在于挖掘稳定有效的因子。

11. 2015、2016年，金融科技在量化领域的应用比较火热，之后又经历了一波低潮。其中两大热点是大数据的应用以及智能投顾。比如，利用网络舆情大数据，将此编成一个因子加入原来多因子的架构，来优化选股策略。对于智能投顾，类似于机器人理财师，根据个人的风险偏好和用户画像，提供自动化买卖、自动调仓、自动生成每日估值报告等服务。

12. 量化模型和策略的同质化会加大市场的波动。比如，如果大家的止损策略类似，一家基金退出市场，会导致其他资金同时触发止损行为，形成连锁效应，导致市场的巨大波动。

13. 策略是会有时效性和容量的。例如，有研究表明，当某个因子被发表成论文后，它的收益率就不在了。所以，量化对冲基金需要不断挖掘新的策略，做最前沿的研究，尽可能找到最新的投资机会和投资思想。