专访盖亚青柯创始人：如何利用量化策略“驰骋”资本市场？

目前市场环境下，哪些量化因子表现较为突出，背后的驱动因素是什么？像量价关系因子中的动量效应、反转效应，在当下市场波动特征下，是如何发挥作用的？

目前A股仍是结构性行情——指数创四年新高并伴随高活跃度（日均成交约2万亿），但个股分化与板块轮动节奏很快。在这样的市场环境下，一些量化因子确实表现得比较突出。特别是那些能够捕捉市场情绪和短期波动的因子，在近期的市场条件下显得尤为有效。这些因子背后的驱动因素主要是投资者行为以及市场情绪的变化，尤其是在市场不确定性增加时，这种变化会更加明显。不过，不同类型的因子在不同的市场阶段会有不同的表现，因此我们需要持续监控并调整策略以适应市场的变化。

近年来另类数据在量化策略中的应用越来越多，比如新闻情绪因子、卫星图像因子、专利数据因子等。您在实际投资中，如何获取和运用这些另类数据？它们为您的量化策略带来了哪些显著的提升或改变？

另类数据通常被用作传统价量和财报数据的补充信息源，旨在提升信号的前瞻性和广度。简单来说，另类数据能够更早地反映事件、产业链或情绪层面的变化，从而缩短信息滞后，丰富因子维度，并提高模型在结构性机会中的区分度。然而，这类数据本身噪声较大且稳定性较低，因此在实际使用中更强调质量控制、稳健性检验和治理流程，确保其作为候选信号进入模型库后是可解释且可持续的增量来源。依托深厚的学术研究积累，我司团队在另类数据的开发与挖掘方法上积累了丰富的经验，并与超过10家优质数据供应商建立了长期而紧密的合作关系。

随着量化投资的普及，策略同质化问题逐渐凸显。您所在的团队如何通过因子创新、模型优化等方式，保持量化策略的独特性和竞争力，避免陷入策略拥挤的困境？

当前量化行业普遍面临高度同质化问题：数据来源单一，主要依赖价量数据，导致信噪比较低；Alpha 研发体系与模型也趋于同质化，多因子方法、机器学习模型不断内卷，拼的是频率、速度、算力与设备；同时，广泛使用的风险模型（如 Barra）也容易导致风格拥挤，周期性与极端事件频发。针对这一困境，盖亚青柯提出了独特解决方案：首先，凭借 10 年以上另类数据开发经验和 15 家以上供应商资源，深度挖掘新闻、公告、社交舆情等非结构化、多样化、时效性强的数据，提升信息维度；其次，基于复杂系统理论和行为金融理论构建具有反身性和逻辑性的技术模型，实现多频段因果逻辑融合，避免单一市场结构局限；最后，依托超过 30 年的极端风险研究基础，建立独创的“龙王”风控体系，通过极端风险监测、情景演绎和人机结合干预，实现对极端事件的前瞻管理。

量化策略在不同市场周期，如牛市、熊市、震荡市中，表现往往有所差异。您能否分享一下，针对不同市场周期，您是如何对量化策略进行动态调整和优化的？调整的依据和指标主要有哪些？

我们的模型会持续跟踪市场的日度回报率、波动率和成交量等关键指标，以把握整体趋势和市场活跃度，同时结合宏观经济数据、政策变化及市场情绪进行分析，从而获得更全面的市场视角。在此基础上，我们能够更精准地判断市场状态，并动态调整因子的使用策略。与此同时，风控模型也会严密监测市场运行，一旦出现极端异常值或“龙王”事件，我们将立即召开投研与风控会议，研判潜在原因并及时调整策略。此外，我们会不断扩充和更新数据源，迭代优化因子库，并通过定期的策略讨论会议，持续完善和升级投资体系。

人工智能技术在量化投资中的应用日益深入，例如机器学习、深度学习等。这些技术在您的量化策略构建、因子挖掘、风险预测等环节中，具体发挥了怎样的作用？相较于传统量化方法，它们带来了哪些优势和挑战？

AI 的核心局限在于容易陷入历史拟合，本质上是基于过去信息来预测未来趋势。这意味着当市场状态发生重大转折时，许多模型往往会同时失效。同时，AI 模型往往缺乏透明度，对数据质量依赖度极高，一旦市场出现结构性突变或极端行情，模型可能失效并放大风险敞口。对此，我们的应对策略是坚持因子的逻辑性与可解释性，所有因子必须经过人工挖掘与因果验证；在因子检验和因子组合阶段，我们会适度引入机器学习和非线性方法，主要作为提高开发效率的工具，而不是依赖黑箱模型进行盲目挖掘。同时，在风险控制上，我们采用人机结合的方式，通过极端风险监测、应急预案响应与人工干预相结合，确保策略能够在复杂环境中保持稳健性。

中性策略方面

量化中性策略通过对冲市场风险来获取选股超额收益，但在实际操作中，基差的变化对策略收益影响较大。您如何看待当前市场的基差水平？对于新建仓的中性策略，基差处于何种状态较为有利？已建仓的中性产品，又该如何应对基差波动带来的风险？

基差波动对市场中性产品来说确实是一个重要影响因素，它不仅关系到对冲的效果，也会影响整体收益的稳定性。我们的应对思路是多维度的：一方面，在日常管理中我们会把基差作为核心监测指标，结合仓位和对冲比例进行动态调整；另一方面，我们也会引入一些跨期的策略，来降低对冲成本，减少单一期货合约带来的基差压力。此外，我们会结合宏观环境和流动性情况，对组合进行适度优化。整体来说，我们更强调稳健与灵活，在基差管理上不会依赖单一手段，而是通过多层次的风险控制来保持中性产品的平衡性。

回顾过去几年，量化中性策略在不同年份的收益表现分化明显。比如 2019 - 2020 年表现突出，而 2024 年却相对平淡。您认为造成这些差异的主要原因是什么？从这些历史经验中，对于投资中性策略的投资者，有哪些启示？

中性策略的收益表现确实会随着年份出现分化，这主要还是跟市场环境密切相关。不同阶段的市场风格、流动性状况以及宏观政策，都会对因子的有效性和策略表现产生影响；同时，基差波动、行业轮动以及投资者行为变化，也会带来一定差异。总体来看，这是策略与市场周期互动的自然结果。比如说像今年，市场环境相对友好，成交量和流动性都比较充足，这对中性策略的发挥非常有利，我司的产品在同类中就处于市场前列。

在极端市场情况下，如 2024 年 2 月小微盘爆发流动性危机、9 月底股市大涨时，量化中性策略遭遇了较大挑战。在这些特殊时期，您是如何通过风险控制措施，如仓位管理、止损机制等，来降低策略的损失，保障投资者利益的？

在 2024 年初，我们的龙王风控系统成功识别并应对了尾部极端风险。12 月下旬，模型提示沪深 300 指数见底信号逐步增强，我们相应加大了大盘股配置；1 月 19 日，系统又捕捉到小盘股的极端风险信号，并结合雪球和量化爆仓等因素的推演，我们果断关闭了所有小盘敞口，有效规避了风险。进入 2 月 5 日，模型再次提示中证 500 指数见底信号显著增强，我们及时加大了对相关成分股的配置，进一步强化了组合稳健性。整个过程中，市值敞口始终保持满仓运行，无敞口择时，充分体现了龙王风控系统在极端环境下的前瞻性和有效性。同时，在 2024 年 9 月之后，市场状态发生转变，我们也灵活切换至高频策略，快速修复了回撤，并在回撤修复后进行了策略降频。

量化投资整体方面

近期有观点认为，随着市场参与者结构的变化，如专业机构持股占比的改变、散户资金活跃度的提升等，可能会影响量化策略捕捉超额收益的有效性。您是否认同这种观点？如果是，您认为市场参与者结构的哪些变化，对量化策略的影响最为显著？您的团队又是如何应对这些变化的？

市场参与者结构的变化对量化策略的影响还是比较显著的。比如近年来机构投资者比例有所提升，整体交易行为更趋向理性化，这对因子的有效性和市场波动特征都会产生影响。我们的因子研发会格外关注市场参与者的决策逻辑和交易手法，而不是单纯依赖历史统计关系。另外，目前 A 股机构投资者的占比相比美股仍处于一个较低的水平，市场中还保留着较多非理性行为和结构性机会，这为量化策略保留了较好的 alpha 空间。应对这些变化，我们更多是通过因子迭代和风险控制体系的升级，来保持策略在不同市场环境下的稳健性和适应性。

量化投资在追求自动化和纪律性的同时，是否需要人工干预，一直存在争议。在您的实际投资过程中，哪些情况下您会选择进行人工干预？人工干预与量化模型之间，如何实现有效的平衡和协同，以达到最佳投资效果？

量化投资的自动化和纪律性主要体现在日常的信号生成、交易执行和仓位管理上，这些环节都是严格遵循模型，不会因为个人的情绪或主观判断去随意调整。只有在极少数情况下，比如我们有明确依据判断模型可能失效，或者市场进入极端状态时，才会进行人工干预。例如我们的“龙王风控系统”，平时通过自动化的极端风险监测来保持纪律性，一旦捕捉到风险信号，就会启动应急预案，并结合人工干预来做最终的把关。

从长期来看，量化投资在资产配置中扮演着越来越重要的角色。对于普通投资者而言，在构建投资组合时，应该如何合理配置量化投资产品，如量化基金、量化中性产品等？配置比例和时机的选择，需要考虑哪些因素？

对普通投资者而言，配置量化投资产品的关键在于首先想清楚自己的风险承受能力和投资目标：若以稳健为主，应更多配置中性策略类产品，起到对冲和稳固组合的作用；若追求长期增值，则可适度增加权益量化比例。但需要强调的是，市场上很多量化产品本身是为机构投资者设计的，普通投资者直接配置未必合适，因此我们更推荐通过我司的多策略自动配置方案，在不同市场环境下动态平衡进攻与防守，并在极端风险事件发生时由风控体系自动介入，以确保组合的长期稳定性和韧性。

量化投资的发展离不开数据和技术的支持，但同时也面临着数据安全、算法合规等问题。在当前监管环境下，您所在的机构在保障数据安全、确保算法合规性方面，采取了哪些具体措施？这些措施对量化投资业务的开展，产生了怎样的影响？

首先，在数据安全方面，我们采用分级权限管理、加密传输和隔离环境，确保不同业务线的数据流动可控，并引入外部的安全审计来定期检测漏洞。其次，在算法合规上，我们建立了模型开发-测试-上线-复盘的全流程合规体系，每一个策略在运行前都要经过多维度的压力测试和风控审核，确保不会因过度杠杆、隐性风险暴露而触碰监管红线。这些措施的结果是，虽然前期投入的人力和时间成本更高，但长期来看让我们的业务运行更加稳健，也提升了客户的信任度和机构的可持续发展能力。

展望未来，您认为量化投资领域还将面临哪些机遇和挑战？在技术创新、市场环境变化等因素的推动下，量化投资策略可能会朝着哪些方向发展？您所在的团队在未来的量化投资布局上，有哪些规划和重点？

一方面，市场结构逐步成熟、机构投资者比例上升，推动了对量化策略的需求；另一方面，随着竞争加剧，传统因子的超额收益会逐渐收敛，策略创新和差异化竞争将成为关键。从技术层面看，大模型、深度学习、实时数据处理等手段会逐步融入量化投研体系，帮助我们更好地理解市场参与者的行为逻辑。我们团队的布局重点有两个方向：第一是跨市场与多资产配置，不仅在A股，也会逐步拓展至港股、商品和衍生品，以增强策略的稳健性；第二是风控与智能化结合，继续迭代“龙王风控系统”，通过AI与人机结合，更高效地应对极端风险。我们相信，量化投资的未来不仅是收益提升的工具，更是资产配置和风险管理的核心枢纽。

温馨提示：以上内容仅为参考，不构成投资建议。市场有风险，投资需谨慎。