财大气粗的量化投资，真的能为投资者带来“泼天富贵”吗？
中国证券报记者9月13日获得的最新数据显示，并非所有量化交易基金都取得好收益，不少量化基金依然处于大幅亏损状态，更有基金之间的业绩相差近200个百分点。
首尾业绩差距近200个百分点
中国证券报记者9月13日从业内相关数据监测机构获得的最新数据显示，并非所有量化交易下的基金都取得亮眼业绩，有不少量化基金出现大幅亏损，量化交易基金首尾业绩最大相差近200个百分点。
以量化私募基金为例，私募排排网最新数据显示，截至9月8日（私募基金数据更新相对滞后），全市场私募量化多头股票策略基金超过1400只。
其中，业绩最好的一只基金今年以来的收益率超过150%，而业绩最差的一只基金亏损则大于40%，首尾业绩差距超过190个百分点。两只基金所属公司都是规模在0-5亿元之间的小规模私募基金公司。
期货及衍生品策略下的量化CTA基金，首尾业绩同样差距悬殊。业绩最好的基金今年以来收益超80%，最差的则是亏损超80%。前者所属基金公司规模在20亿元至50亿元，后者则不超5亿元。
公募基金行业里的量化基金业绩差距则相对较小。Wind数据显示，截至9月13日，目前市场公募量化基金超过200只（主代码口径）。其中，今年以来业绩回报最高的是银华全球新能源车量化优选，收益超过15%；业绩回报最低的为东吴安享量化，亏损超过30%。两者差距接近50个百分点。
量化模型搭建成为“商业秘密”
在量化这个被大众视为“香饽饽”的交易方式下，为何依然有不少折戟者？产生如此大的业绩差距，背后的秘密是什么？
中国证券报记者在采访调研中发现，量化模型及其背后的科技力量支撑或是不同量化机构拉开业绩差距的关键因素。
一位从事量化交易长达十余年的基金经理在接受采访时认为，不同量化交易机构间最主要的差异还是在阿尔法选股模型的搭建上。
选股模型一般是建立在几百个底层因子之上的综合打分模型。关键的工作就是如何能够用系统化、科学的加权方式给因子赋权，让模型能在尽量多的市场环境下都有较好的表现。而且量化交易模型并非设置好后就一成不变的，而是需要不断优化，上述受访者还向记者展示了其优化代码的“专用”电脑显示屏。
多位业内人士表示，模型的关键因子及其权重搭建可谓是量化盈利的一大“商业秘密”。
据悉，通俗意义上，量化交易模型大致包括选股模型、风险模型、交易模型，常见模型因子有分析师一致预期因子、市值因子、事件因子、基本面因子等等，覆盖选股、买卖交易、回撤控制等投资一条龙，包含基本面、消息面、技术面等多个方面的分析。相较于个人主观投资而言，这些模型几乎“面面俱到”，加上具有较少受到情绪干扰等优势，使得量化交易广泛流行。
除了模型设置外，有量化人士认为，市场环境和量化模型的匹配性也是导致不同量化基金业绩迥然不同的重要原因。
一位有过量化基金管理经历的基金经理表示，以反转因子为例，这个因子在早年的市场中比较有效，但在近几年来的“动量”行情下，反转因子模型明显失效。再如，在小盘行情较好之际，小市值因子主导的量化模型就会发挥明显优势。
某量化私募机构总裁也认为，量化投资是个长跑，各个因子会在不同阶段各领风骚，某个阶段优势突出的因子不代表亦适用于其它行情。多策略体系将是量化投资未来发展趋势之一。
科技与人才构筑二重壁垒
如果说拥有适应市场的量化模型是量化交易机构的一大核心竞争壁垒，技术和人才则能看做不同量化机构拉开业绩差距的第二重竞争壁垒。
据悉，量化交易背后的科技力量博弈，已成为不少量化机构的角逐战场。以私募基金为例，市场上量化私募基金公司与科技公司配对存在的现象颇为多见，不少私募基金负责人同时亦是科技公司负责人。量化机构对各类技术人才的竞争成为招聘重头戏，众多机构抛出橄榄枝高薪招聘相关人才，一度引发市场热议。例如，此前不乏量化开发实习生岗位年薪超百万元、量化私募招聘薪酬不设上限等“抢人”举措。
业内人士表示，科技和人才的支撑对量化交易起着“如虎添翼”的作用。尤其是一些以秒为单位进行操作的量化交易机构，量化系统背后的科技支撑能否跟得上将极大影响投资效率。在技术迭代速度不断加快下，能够率先构建起自身技术和人才优势的机构将占据明显优势。
然而，构建此类优势背后需要技术硬件软件等多方面支撑，成本耗资较大，并非所有量化交易机构均有能力承担，因此不少量化机构选择借助外部技术力量。据了解，目前量化系统主要有基金公司自研系统、嵌入券商系统、使用第三方科技公司系统等多种类型。
某科技公司负责人告诉记者，其公司主要就是给投资客户提供人工智能交易服务，如价格预测、交易逆向策略生成等。
他认为，当前量化交易正开启AI（人工智能）时代。之前的数据研究、因子挖掘构建、模型回测等将可以全部由AI+算力替代，可以用更少的成本和时间实现更大的价值，也能用于增强现有量化策略。AI甚至可以实现自动学习“哪些数据/因子什么情况下更有效”，并实现自营账户全托管。AI或将开启量化交易的新时代。
