商用厨房设备,酒店厨具,食堂厨具厂家,开云体育官方入口

  ，最开始团队是在香港做港股，做得比较好的是13年开始做的商品的跨境期货套利，当时年化有60%左右，当我们回到深圳后，这条线就停掉了。因为内外盘的进出是挺麻烦的，所以15年我们把套利条线年算是赶上了一波股指的大幅波动，16年我们就把商品这部分同步覆盖全了，当时初始年化能有70%-80%，后面做得好的时候能够翻倍。因为这两年的期货交易所的锁仓、持仓返还限制比较多，所以这部分基本是纯自营在做，没有对外募集，目前只有大概一个亿左右。

  以上虽然有过不同的策略，但是都奠定了后面阿尔法策略的基础，像后面的中性、指增、全市场选股条线都是在这个基础上衍生出来的。17年开发了程序T的条线，目前我们没单独开程序T的条线因子叠加在整个阿尔法策略里面，所以没有单独开融券类的多元募集条线年上半年拿到了牌照，开始做阿尔法策略研究。各位能够理解为18年我们搭了多因子框架模型，然后在里面填充高频、中频、低频类因子，整个策略是在18年成型，但没有立马去实盘，原因主要在于高频确实是我们比较强的一部分，但是对于当时的我们来说，低频确实是一个全新的领域，所以在19年上半年，我们招了一些在低频领域的资深同事，像目前的首席研究员，他之前在世坤中国的团队工作，他的加入让我们做了很多低频细节的完善，能够理解为我们在18年搭了一个毛坯房，19年请了一些更具有审美能力的人进来做了精装修，觉得更好了才入住。

  在这过程中，我们从最开始只有500条线、全市场选股这些条线都做全了，在这过程中我们得到了很多资方的支持，作为一个参考，19年底我们纯自营是不到6个亿，截止到今年二季度底，我们整个管理规模是270亿，剔除掉重复计算的母子层之后，纯平层的规模是200亿，其中中性是70亿，指增是105亿，全市场选股是20亿，CTA条线亿。渠道分布上是一半直销，一半代销。直销更多的还是像券商的自营资管，包括像银行一些资金体量比较大的。像在代销这边，大致上可以分为券商、信托、三方和银行，绝大多数都是市面上比较口熟能详的机构。

  看一下整个团队，股权穿透到最后，吴敌总占比76%，家馨总占比24%。两位老板的从业背景最简单，吴总是中科大的本科，然后他是在08年去香港读博的时候，和家馨总在一个实验室的项目上认识，然后两位聊得比较投缘，约定毕业之后去创业。像前面介绍的，从10年做港股到套利，再到后面的期货等等，这就是两位13年的创业心路历程。两位的分工相对来说，其实因为本身都是投研出身，所以说他们天天都会跟进目前的研究进度是啥样子，和投研的沟通是非常紧密的。在这样的一个过程当中，因为两位性格特点会有一些不同，所以在分工定位上也不同。举个例子，这两年也做了很多另类数据的研究项目，两位老板都会去覆盖市面上有没有新的红利出现，这个过程中，家馨总会考虑得更加深入一些，对于整体的策略短板有哪些可以提升优化的部分，他会考虑得更加深入。当两位决定要做另类数据研究项目之后，有哪些研究员参与到这个项目当中来，以及项目的产出成果怎么更好得去加入到组合里面去落地去推进，这部分更多是吴敌总在做的事情。吴总更类似于推荐者的角色，家馨总更类似于思考者的角色。

  目前公司共68位同事，以两位创始人为首的研发风控人员共47位，占比接近70%。目前总部在深圳，但是在海南、深圳、上海、北京四地是有办公室的，整个团队是采用了非PM的模式，是偏流水线制度的紧密协作模式，也是得益于此模式，整个团队的互信水平和氛围还是非常好的。除了研发人员之外，还有21位的市场、产品、财务、综合管理等等中后台运营同事。

  除两位老板外，一共有45位的研发风控人员分别分布在研究、组合、交易执行和技术组。首先是研究组层面，研究组的职能更多是在底层因子的研究以及数据上的研究更新。他的组长是前面提到的这位19年加入我们的同事，他的背景是清华物理的本博，12年就在世坤中国工作，也是由于这样的背景，所以他更倾向于招清北物理、数学专业的同事加入到他的组合中，像这两年机器学习发展也比较快，所以我们也招了一些腾讯、美团出来的同事，这个是研究组的职能。

  因子生成之后就到了组合层面，这个组的职能是整个组合上对于不同因子权重的调整，包括组合层面的风控优化，他的组长也是清华毕业，他在回国之前是在一家千亿美元的资产公司做PM，21年下半年回国之后加入到前沿，负责整个组合层面的管理。由于这样的背景，所以他更倾向于有组合管理经验的同事。

  组合生成之后就到了实际的交易执行层面。这个组的职能是在整个交易执行过程当中研究一些算法拆单，包括研究一些市场冲击层面的部分，大家可能多多少少了解到这部分的职能，其实有一些专门的供应商在做，像现在比较火的卡方、皓兴、泰来、跃然这几家，都是在做交易执行优化、算法拆单的供应商。整体而言，目前我们还是以自有团队在做，相对来说效果比市面上的供应商量显著。我以现在比较火的供应商为例子，它基本上是参考TWAP下单，在1~2个bps上，我们整个团队目前的优化效果在3~5 bps。所以从结果上来看，我们还是优于外部供应商。在这样的一个过程当中，我们也会参考外部供应商的优化效果去做内部的对比，来使得我们自己的执行效果得到提升。因为底层涉及股票和期货两种不同的标的，所以实际上交易执行也是分为两个不同的小组，尤其是股票组的组长，他也是15年就加入到了前沿，基本上也跟着前沿整个阿尔法团队近8年时间的成长，就是交易执行组的情况。

  不管在研究组合还是交易执行过程中，其实我们都会涉及到很多技术层面上的问题，这就涉及到了技术组的职能，是整个数据库系统、整个交易系统这部分的开发跟优化。在这个过程当中，技术同事每天都会对我们在交架上的这十几家券商去做数据跟进，跟进的维度主要是跟踪上海和深圳这一部分的撤单率，因为撤单率越高，意味着这家券商的交易时单子发出去没有成交，可能是这家券商的某个节点比较慢，我们的技术同事每天都会对排名比较靠后的券商去做重点关爱，主要更新一下这家券商的行情柜台、交易节点等等因素，来重点针对这些因素做重点优化，以保障我们架上的这十几家券商，它的优化下来的效果相对来说还是比较均衡的。技术组的组长也是我们的CTO，他也是中科大毕业的，刚好是吴总一届的师兄，他在加入到我们之前是在一家知名的高频团队工作，15年加入了前沿，跟着创始团队不断成长，以上就是我们整个研发所在大致情况。

  补充一个大家比较关心的问题，整个团队的激励机制是什么样子的。因为这个问题直接相关的是员工的稳定性，间接相关的是整个超额的稳定性。目前股权这部分，其实20年就讨论过要不要做员工股权激励，讨论的结果认为说在量化行业相对来说股权还是比较虚的，所以这部分没有做。我这边以研究员的激励政策为例子来重点介绍一下。首先研究员的激励主要分为三个部分，第一部分是基础薪资相对开得比较高，主要是分为两个部分，第一部分就是说现在量化行业还是比较卷的，所以说大家都会相对的对于人才的竞争比较激烈。第二个部分是我们不只跟量化同行要去竞争，我们还要有很多互联网大厂去竞争，因为像我们现在很多的研究员都是清北物理、数学、计算机的同学，他们的就业方向有互联网的大厂，像我们前段时间就在跟华为争取同一个候选人，他也是入围了华为天才少年计划的同学，所以以上两点都要求我们一定要给候选人开出足够有吸引力的薪资，对他而言才有足够的动力加入到我们公司当中。

  第二部分是研究员的贡献会做详细的切分，整个公司组合而言，有研究员的因子和没有研究员的因子，整个公司的情况是什么样子的？今年一共赚了多少业绩报酬，分给投研的是多少？每个人对应权重是多少？每个人都能了解到自己年终奖大概是多少。同时我们也是业内少有的会额外把一部分管理费作为激励给到研究员的，去激励今年进步特别显著，或者是贡献特别突出的研究员。

  第三部分是有一些容量比较有限的策略条线，像刚刚前面给各位提到的期货高频，还有中性上杠杆的策略，这些目前不对外开放，但是全部对员工开放。员工的贡献程度越高，意味着可投额度也越高，所以这也形成了一个比较好的机制，就是研究员每天的工作一定程度上也是给自己赚对应的年终奖，也是给自己的个人资产做对应的增值，很多人包括我自己，基本上全部身家都放到了自营策略。

  所以以上几点都保证了我们整个团队尤其是核心团队，从成立以来到现在都没有人走过，这是最主要的一个原因，就是在薪酬激励这部分。

  介绍完整个公司和团队，我们来看一下策略部分。首先给各位介绍一个大的框架，无论我们的策略条线、全市场选股，它底层用的都是同一套的策略框架，区别在于风控过程当中对标不同的指数做行业的对齐，包括像整个风格上是对标不同的指数去做重点的优化。目前来看我们是全市场选股的，整个股票池是有3000多只，像本次募集的全市场选股策略，整个持股是在1000~2000只，因为我们也是在高频这一块有长时间的积累，所以相对来说换手还是比较高的。今年整个年化双边有100~150倍，确实跟前两年相比来说降的蛮多，比如说2021年基本上年化双边能达到300倍以上，这个也是跟整个市场成交活跃度下降有非常大的关系。我们了解到今年同行都有不同程度上换手的下降，基本上今年年化双倍能达到80倍左右，都是非常高换手的管理人了。

  回到策略上面，目前因子组合上面，因子部分我们还是采用的传统多因子框架模型，量价占比还是比较高的，占到了60~70%。像基本面和另类数据部分，占到了30~40%。整个因子上目前我们更多的还是以人工挖因子为主，像我们的因子库目前是有大几百个，这可能和各位了解到市面上有一些专门在做机器学习挖因子类型的管理员会有所不同，它在因子库甚至能达到几万个，甚至可能有十几万个，确实来说跟我们不是一个量级的，但是机器学习这一部分，我们其实从20年就开始在做，然后也有很多和应用和更新，但我们认为机器学习本质上还是帮助研究员去发现一些不同信息层面上的关系，我们还是更在意因子底层的逻辑，更注重它因子的质量和可解释性。所以目前整体而言，在因子层面上，更多的还是采用人工挖因子为主，走精品因子的路线。

  看一下组合层面，在组合上我们用到机器学习的模型就会更多一些。比如单个因子，类似于逻辑性非常强的基本面因子，偏低频类的因子，我们用一些线性的模型，跑出来效果就非常好。像中高频因子，它的逻辑性没有基本面那么强的情况下，我们用一些非线性的方式，比如像数模型或者是深度学习模型这一块，它跑出来效果也不错。整体而言，组合层面用到机器学习的算法会更多一些。

  在整个因子的贡献程度上这部分，因为因子的占比是动态变化调整的，所以我们更倾向于说从不同的频段去给各位介绍一下整个收益贡献。这里面我们会拆分为高频、中频和低频三个部分来做介绍。高频目前定义的是预测未来一分钟到半个小时这部分的信号，主做分钟级别的信号会多一些。中频定义的是预测未来半个小时到一天部分的日内阿尔法的信号。低频预测日间的部分，一天以上5~10天~半个月都归属在低频里面。贡献上来看，中频和低频是各自贡献了40%的比例，高频贡献了15%的贡献，这有可能和其它家的划分有一些不同，其它家划分可能日内部分都划分在了高频里面。高频我们这边定义的是分钟级别，中频定义的是日内的，然后低频定义的日间的，如果纯看日内的部分来看，高频和中频叠加在一起是占比了接近60%的比例。

  我们的亮点在于能拿出不比其它一流管理人差的低频选股能力，同时使用我们的高频辅助交易执行，去更好得做交易执行，减少在交易执行过程当中所带来的滑点跟摩擦成本。并且在风格转换特别快的情况下，能够使用中频更快得调整仓位，使得中低频信号带来持仓性收益的时候，能够通过高频去获得交易性收益。在这种风格轮动特别迅速的情况下，更快调整仓位，相对可以在不同的频段以及不同的时间段，我们都尽量获取一个相对正向的收益贡献，使得持有者体验更好一些。以上就是我对整个频段贡献的拆分，包括亮点的总结。

  在这个过程当中，风控也是各位会比较关心的问题，这里做个补充，像行业上来看的话，每天参照申万一级，每天盘后看偏离度都不会超过4%的绝对值，整个是在风格上面我们控的依旧很严的，像成长、估值、动量、流动性都会控得非常严。像持仓上基本上限制单调持仓不会超过1%，实际操作下来甚至都没有过5‰。在流动性风险上面我们也会控得很好，比如说像一些ST股低价股，包括像一些流动性比较差的股票，我们都会剔除在组合之外。

  看一下本次要募集的量化选股策略，这个策略不对标明确指数，整个策略还是说相对采用量化选股模型，相比来说比指数增强更加灵活，没有受到严格指数的约束。按照个股阿尔法以及个股流动性的配比，去更好得持仓和分散均衡，以期追求更好的收益表现。从数据上可以看出，去年初到现在，不管对标500、300、1000，我们相对来说都获得了30个点以上的超额水平，超额夏普也是非常高的，我们希望做到行业内三个前30%，第一点希望：收益排在行业的前30%。第二点希望：回撤控制在行业的前30%，因为这两年其实大家对于这种市场的波动容忍度是非常小了，投资者不希望持有太高波动的产品，所以相对来说我们会把回撤控制得比较好。第三点希望：夏普排在行业内的前30%，因为夏普越高，意味着整个超额收益的来源会更多样性，同样意味着整个超额稳定性更高。

  今年截止二季度底，整个贝塔和阿尔法表现都是不错的，进入到三季度以来，贝塔跌得比较多，但是我们今年也是拿到了10个点的超额，所以就产品而言，我们这个产品想做到的是什么类型？就是我们希望它比纯500指增每年多5~10个点的超额收益，但它只需要多比500指增，多承担1~3个点的回撤，使得它在超额的弹性上以及自由度上会更好一些，更适配可能绝对收益追求更高一点的客户，适合对波动控制没有那么严格，希望超额性价比会更好的客户。

  我们持仓1000~2000只，可能和其它家的持仓几百只非常集中的量化选股有区别，相对来说持仓会更分散，所以是一种偏平衡型的量化选股。因为量化选股不需要严格锚定指数的特征，像500指增的一些行业上风格上面的一些指标，我们会控制在0.1~0.2个标准差以内，但是量化选股可能相对放宽，指标会控制在0.1~0.4甚至0.5个标准差以内，所以从持仓上总体上获取的阿尔法能力更强，放开了一些对特定指数的风格限制。从数据上可以看出，允许组合在阿尔法高低灵活调整一揽子股票的风格。所以在选股模型有效的前提下，我们量化选股的策略的收益弹性也会更大一些，可以更大程度上发挥整个量化选股模型的阿尔法收益，可以理解成指数增强的升级版，从结果上来看，以纯500指增为例，纯500指增去年可能拿到了15个点左右的超额，去年量化选股相对中证500来说是拿到20个点左右的超额，所以相对来说量化选股比500指增多5~10个点的收益，相对来说会更灵活，这样仅考虑个股阿尔法和流动性来构建组合的时候，可以把阿尔法收益做到了最大程度上的发挥，取得更好的长期收益表现。

  量化选股除了有更强的获取阿尔法的能力之外，它也更加有效得把握各类的贝塔风格。像我们量化阿尔法的优势本来就在于宽基选股，量化选股模型进行快捷选股的时候，可以更好的捕捉多种市场风格，包括像整个全方位捕捉阿尔法，历史证明市场大小盘风格是存在轮动的，且出现的频率也不低。量化选股策略跟踪了大盘、中盘和小盘风格，会更加灵活均衡一些。相比来说，量化选股策略减少了从投资者在大小盘上有不同行业上的选择焦虑。量化选股策略相对来说是一个确定性会比较好的策略，不是说赚钱的确定性，而是大概率不会错过各种市场风格上涨行情，相对来说一般不会踏空行情，相对的预测和修复能力也比较强。

  整个量化选股策略从配置比来说，是有更好的投资性价比的。长期来看，它表现都非常优异的，因为我们整个底层的框架模型是相通的，它在不同的参数上进行组合，做不同的选股限制，来构造一个差异化的产品线，以满足不同投资者的风险偏好。所以量化选股适当放开约束之后，从历史数据上来看，它的波动率其实没有大于指数增强产品，投资者可以根据各自的风险偏好，可以自主选择适合自己目标的产品线。一般来讲，其实具备某些特定的程度风险承控能力的投资者，其实都会比较在意绝对收益，所以在这种需求下，我们力争在没有额外增加风险和波动的前提下，按照个股阿尔法及个股流动性构建投资组合，及时跟踪市场表现，所以相对来说是更好的长期收益。整个在配置性价比上来看，适配对波动率没有那么高的要求的客户，但是希望收益性价比，包括收益弹性会更好的话，这个策略就比较适配。因为本身持仓是1000~2000只，它依旧很分散的，相比这种持仓几百只的这种量化选股类型，平衡性的量化选股本身就它的波动就不会过高。

  答：自21年9月开始，监管和包括我们在内的很多量化基金都有过多次沟通，并且建立了信息登记和通报机制，进一步完善程序化的交易报告制度，最终沉淀为此次的发布。结果上看，对主流的量化投资的意义基本都是积极正面的。监管相当于认可了量化程序化交易的交易方式，同时也认可了程序化交易对于提升交易效率，增强市场流动性的积极意义。只是出于特定环境下，出于防范风险的考虑，需要对程序化交易提出更多信息数据的要求，这也是非常合理的。我们也是积极拥抱监管，对于现状去积极报备，目前判断对产品运行不会产生过多影响。

  答：严格控制行业暴露，基本参照申万一级，每日盘后看偏离绝对值不超过4%。

  答：因为我们本身是量价出身，之前有客户提到会不会出现量价因子同质化日益严重的情况，公司会通过持续更新迭代进行升级优化。我司因子基本上都来源于人工挖掘，根据量价信息，包括时间序列、横截面，包括基本面的逻辑挖掘因子。

  答：目前以人工挖因子为主，机器学习挖因子也有储备，所以整个目前中高低频的因子结合，单类的因子权重不做限制，不同类型的因子权重调整时间也不同，通过夏普、回撤相关性等一系列严格的评估标准筛选入库。需要因子在有效性显著与风险因子有低相关性，整体来看目前更新迭代是比较好的。

  答：目前平层管理规模是200亿，其中中性是70亿，指增是105亿，量化选股是20亿，CTA是5亿，1000指增5亿左右，500指增不到百亿。

  答：昨天不是监管实施的第一天，相当于发文，它真正给管理人相当于一个调整期，印象中是在10月9号，昨天表现比较正常，目前没有很大的影响。

  答：三点举措，第一点是扩展风控模型，深入研究风险因子。第二点是提升模型结构，增强对系统性风险的预测。第三点是探索个股非系统性风险的控制方式。

  答：对的，因为大多数量化选股可能持仓是大几百只，会更加集中一些，相对没有这么分散。目前策略持仓1000~2000只，它是会偏更平衡性的量化选股，相对来说是更分散的，不会把风险集中，同时也不会特别倚重小票。

  答：我们全频段覆盖，高中低频都有覆盖，但相对来说交易执行优势会特别突出，相对我们是少数在长周期阿尔法和高频交易执行上都有达到市场第一梯队的公司。高频的作用是在未来超额降低的情况下，能够减少甚至抵消掉交易冲击成本。在选股获取持仓性收益的同时，使用交易执行更好获取交易收益，提升组合的稳定性，并增强超额。中频的价值，主要体现量化艰难的市场环境下，在风格快速切换的时候，能更快得去调整仓位。低频因子和中频因子是相辅相成的，且相关性较低，会更好增强长周期的选股能力和短周期的风格应对切换的能力。目前而言中频信号和低频信号叠加在一起，高频信号是用于执行中低频的信号，相对来说我们没有用高频信号直接去获利，因为高频信号如果直接去获利，它的容量很小，我们既要兼顾容量和收益，所以这种把高频用于交易执行的方式是更好的。

  答：目前团队稳定性非常高，2015年成立到今，没有核心人员离开。像全职人员也算是净增长，自主培养和社会招聘都有，可能社会招聘相对更多一点。

  答：代销和直销基本上各一半，200亿里面一半代销，一半直销。500指增的规模会更大一些，它是运作最久的。量化选股从去年初到现在，也有20亿规模。

  答：风格上控制很严，基本上不太会暴露，用纯500指增举例，它基本上像市值、成长、估值、流动性这些会约束在0.2个标准差以内，甚至约束在0.1的标准差以内。因为本身量化选股会相对放松这些约束限制，给予策略更高的自由度，所以目前量化选股风格约束是控制在0.1~0.4，或者0.5个标准差以内。

  答：量化选股不明确对标具体指数，采用量化选股模型，相对来说选股更灵活一些，不会明确受到基准指数的约束。再按照个股阿尔法和流动性的灵活程度去构建投资组合，持仓相对来说会更分散均衡一些。相对来说它放开了对特定指数的明确风格限制，所以从持仓股票总体上获取的阿尔法能力会更强。因为放开了对特定指数增强的风格限制，我们允许组合按照阿尔法高低灵活调整一篮子股票的风格，在选股模型有效的前提下，相对来说收益贡献会更大一些，因为量化阿尔法的优势在于宽基选股，策略可以更有效把握市场的多种风格，全力捕捉阿尔法。

  答：（1）量化选股相对来说会更分散，一般都在1000只以上，而且不拘于严格的行业限制。主观相对来说，对于基金经理自身的投资风格，还有能力圈的范围，其实是更限定的，所以持仓也会更集中一些，基本上持仓在10~200只。（2）主观持仓时间会更长，不乏价值投资理念更关注上下游传导，包括像基本面边际逻辑改善。量化选股的持仓时间长短受人为影响判断小，一般持股都在周度之间。

  Q19：前沿是高频起家，但后面可能投入了更多精力在中低频研发上，怎么看待？

  答：公司早期主要聚焦在高频自营上，聚焦在量价因子挖掘上，这是我们的强项。直到20年，基本上工作都是在量价策略的研发上，后面开始做资管，整个团队开发A股市场的中低频策略，这时策略的容量就大了很多。目前量化选股预估容量在100亿左右。高频在整个组合的作用，更多作为交易执行的形式，我们不去追求偶然超过比如说年化10%的机会，而是做整体执行，避开执行上对我们不利的情形，把握一些足够好的机会，利用机会去做执行，达到成本削减。因为如果用它来赚钱确实困难，但是如果用它来降低整个交易成本，却是非常可行的，这也是我们的信念。就是说在高频领域意味着在同样的低频信号下，反而可以把容量做得更大，收益做得更好。我们大家都希望在未来超额降低的情况下，依托不断完善的高频交易执行能力，尽量减少交易成本，实现中低频信号的超额收益。

  答：因为量化行业不是一个人力密集型行业，所以未来的规划不会说有一个明确得说想在一年之内达到多少人数，相对来说公司对人员的资历和要求会更高更精确，切实增强公司的策略开发以及技术研发的能力。

  答：硬件尤其是算力方面，要跟整个公司的模式是相匹配的，公司研发体系是什么？研究员需要的是什么？这是最重要的。算力也需要跟公司自身的需求匹配，要根据正常的投入产出比来决定。目前来看我们也是比较充裕的，匹配投研需求。

  答：低频是日间信号，相对于说预测一天以上。持仓来看，我们没明确的拆分高中低频各自的持仓，总体整个组合是在1~2周持仓。

  9岁那年第一次被父亲带到大户室，23岁大学毕业开通了自己的股票账户，现在开始公众号记录每年打卡100场基金路演。