導讀：很長一段時間以來，主觀投資和人工智能的量化投資都在彼此領域獲得Alpha。量化投資的強項在於高頻交易，有大量的數據來源，能夠從中甄別“人性”。在量化投資的眼中，股票價格短期的“隨機漫步”，可能背後能夠找到確定性的規律。而主動管理投資的強項在於長期定價，能夠通過深度的基本面研究，挖掘長期價值具有成長性的公司。
而塞帕思的創始合夥人梁黃炫告訴我們，量化和主觀投資“井水不犯河水”的時代即將結束，他們研發的AI量化模型已經進入了低頻領域，能夠在過去幾年獲得非常穩定的超額收益。AI量化基本面投資的優勢在於數據分析，能夠比人更有效率地分析大量的財報數據，找到財報中的“蛛絲馬跡”。特別是上市公司數量不斷增加後，量化的覆蓋面優勢變得越來越明顯，能挖掘到一大批出現業績反轉的冷門股。那麼這是不是會進入一個新時代呢？量化投資如同先進的機關槍，而主觀投資更像大刀長矛。相信每個人都會有自己不同的看法。
以下我們先分享一些來自梁黃炫的投資“金句”：
1.過去幾年的模型研究成果發現，將高頻AI和基本面財報結合以後，能夠在公募的換手率級別上獲得相對主動管理投資非常顯著的超額收益
2.同樣研究報表，人很難打敗機器，而且機器還沒有能力圈的限制
3.高頻AI已經進入低頻主觀領域。過去是“井水不犯河水”，未來可能會看到一片巨大的藍海市場
4.量化的第一個好處是能挖掘到一些很少見的邏輯，比如說AI挖掘到應付職工報酬與淨利潤這個數據呈現背離時，系統就會給出一個高分
5.量化的第二個好處是，這套模型經常能找到一些反轉股，這些公司都是主觀市場關注度比較低的股票，但是從報表分析顯示基本面即將出現反轉
6.當高頻和低頻信息結合在一起之後，不但能從基本面挖掘信息量，還能從量價層面挖掘市場情緒，產生很不錯的化學反應，起到1+1>2的作用
AI量化已經進入低頻選股領域
朱昂：先說說你們目前開發的量化模型吧？
梁黃炫 瞭解我們團隊的都知道，我們在2015年團隊初建時就已經作為市場最早一批使用AI高頻技術挖掘股票價值的團隊獲得了超過年化30%超額收益的市場優勢。而隨著市場的演變，我們開始思考更深入的變革。過去基於AI的量化投資基本上集中在高頻量價方面，但是從我們過去幾年的模型研究成果發現，將高頻AI和基本面財報AI結合以後，能夠在低頻選股上獲得相對主動管理投資非常顯著的超額收益。AI量化投資已經進入到了低頻領域。
過去大家對於私募量化低頻的理解，最大到一個月換一次倉的頻率，今天我們的低頻已經到了最低八個月這樣的換手頻率，接近公募基金的換手頻率。這得益於我們的模型比第一代量化模型有了質的進化。第一代量化基本面模型主要通過線性累加幾百個基本面因子。到了第二代的AI系統，會使用更強的神經網絡提取這些因子，併成千倍擴充因子，並加入大量技術面因子。這些技術過去只用在AI高頻交易上面。而第一代AI高頻模型則沒有基本面信息，難以降低交易頻率。我們的第二代AI低頻模型綜合兩者的優勢，彌補兩者的不足，完成了質變的進化。
我們在去年就認為，高頻交易變得越來越擁擠，市場玩家之間呈現零和博弈的趨勢。高頻收益的超額分佈從過去的高勝率低波動逐漸演變為低勝率高波動，潛在風險加大。而且由於交易成本的存在，一旦模型失效，將會永遠虧下去。而低頻策略只要足夠分散，最差結果也只是指數程度。這促使我們思考有沒有更新的玩法。一開始我們以為量化基本面研究是一片紅海，後來卻發現把AI用到低頻的基本面上，效果非常好。過去在高頻領域，AI要訓練很久才會出現一個好的結果，今天在低頻領域AI很快能得到一個非常好的結果。在那一個時刻，我們就知道低頻AI量化投資未來已至，市場必將發生劇變。
從原理上講，通過將AI高頻技術引入到財報分析中，意味著我們可以繼承AI高頻時間序列的研究方法，在橫向和縱向都能研究，突破主觀以及傳統基本面量化的人工因子主要研究橫截面信息的侷限性，自然結果就會比兩者要更好。邏輯上也是相通的，同樣研究報表，人很難打敗機器，而且機器還沒有能力圈的限制。
主觀投資會聚焦在自己能力圈的少數股票及領域上，但是對於AI來說沒有這些限制，AI每天可以同時研究3000只股票。這意味著，這個模型可以把全市場的公開信息全部捕捉到，等於在和幾十個深入不同領域的主觀基金經理幹同樣的事情，並綜合他們的成果，模型面對的是一個很廣闊的市場。
對於主觀經理來說，能力圈可能只允許基金經理對10個股票有深度研究，持倉10個股票。但是我們的AI模型能夠每天對所有股票建立深度研究，每天精選不同的10個最好的股票，再通過大量不同的交易日買入每天不同的精選個股，使持倉數量極多且覆蓋領域豐富，完成行業和風格中性，因此結合了主觀精選個股和量化廣泛覆蓋個股兩方面各自的優勢。
相比而言，主觀基金經理對我們的優勢來自調研信息，這是我們比較難處理的。但是隻要是同時面對財報和數據研究，AI原則上是不可能比人弱的。數據分析是AI絕對的強項。而主觀的調研信息優勢，並沒有強大到覆蓋其他領域的劣勢。況且，AI具有更加分散化的特點，能夠確保超額收益的穩定性，因此還能使用各種對沖工具，這是主觀經理一般做不到的事情。
那麼實現這個策略的難度是什麼呢？我認為第一個是避免出現“選茅臺”事件。比如說，AI算法去找到在市場上有效的若干基本面指標，這些因子能夠幫我刻畫出茅臺這樣的過去非常好的股票，於是我的策略就變成了一個用幾個因子尋找“茅臺”這種過去優異但是未來不確定的股票本身。這不是我們需要的策略目標，但這也不是過擬合這種模型過複雜問題，因此是其他行業的AI算法所不會面對的問題，不能簡單套用各種常見AI網絡設計，因此這是實現這類策略的難題之一。第二個是由於基本面數據少，因子卻更多，導致了模型設計難度的激增。一個強大的計算機團隊才能有效解決這類問題，這需要更深度地結合金融與計算機技術。我們團隊主要由堅實的計算機背景出身的人組成，並佐以金融背景人才，因此有足夠的能力解決這類問題。
總而言之，這是一條很少人玩的賽道，把原本高頻領域的量價分析AI用在低頻基本面財務選股上，數據科目就比以前多了100倍，因子數量也擴充到10^5級別。但是由於財報是低頻數據，數據數量變少了，兩相疊加導致問題的複雜程度可能擴大了許多倍。這裡面還有許多需要解決的問題，因此需要設計出精妙的神經網絡。不過我們的模型已經較為有效地解決這些問題，因此高頻AI已經進入低頻主觀領域。過去是“井水不犯河水”，未來則AI低頻模型可能面對著的是一片巨大的藍海市場。低頻領域賺的是企業成長的錢，同行之間不是競爭關係而是共贏關係，不再是零和博弈，互相之間可以一起獲利，類似主觀經理之間的關係，因此策略有效性就比高頻策略穩健得多。基於基本面的AI對沖也可以實現成分對沖，利用IH和IF降低基差成本，完成對沖產品類別的擴充。
朱昂：我們也聊過許多主動管理的基金經理，大家都認為和量化相比，主觀的能力在於定價。比如茅臺到底值3萬億還是4萬億，是通過基本面分析做出定價，你覺得量化能在哪裡戰勝主動的專業投資者？
梁黃炫 量化也有自己的分析方法。量化的第一個好處是能挖掘到一些很少見的邏輯，比如說AI挖掘到應付職工報酬與淨利潤這個數據呈現背離時，系統就會給出一個高分。去反推這個數據背後的邏輯是，當管理層願意為員工支付更高的工資，意味著高管是看好這個公司的，即使淨利潤下跌，市場不認可，股價下跌也無所謂。這類數據又是主觀投資不太容易挖掘到的邏輯。反而是一些大家常見的因子，我們的模型不會那麼關注。比如說市盈率指標，我們的AI模型就不怎麼關注。我們發現AI模型挖掘出來的因子，都是超出人們的想象，並且能迅速發現這個因子的價值與使用場景。這就是量化基本面模型的能力之一：通過更高維的思考去突破傳統主觀經理的投資極限，找到不一樣的定價角度。
量化的第二個好處是，這套模型經常能找到一些反轉股，這些公司都是市場關注度比較低的股票，但是從報表推算出基本面即將出現反轉。當我們去關注的時候，這些股票的交易量很低，這類低關注度公司，公募基金也沒有去正確定價。AI模型就有能力去挖掘出一批這樣的低關注度反轉股，能獲得很大的Alpha。全市場定價是AI模型的最基本功底。
模型賺錢原因無非兩個，一個是找到業績低估，一個是發掘估值錯估。一個代表當下的價值，另一個代表未來的成長性。模型通過其超越人類的分析能力，從基本面信息中捕捉到人類難以察覺的信息，並通過技術面信息的輔佐，選出適合當下的基本面市場風格。相比主觀經理，AI量化低頻能更全面地捕捉技術面信息也是一大優勢。
那麼相比主觀，我們到底是靠什麼在賺錢？我認為是通過苛刻的數據分析以及數據回測的能力校驗去賺錢，這個問題就是仁者見仁智者見智了。
低頻量化的周勝率更高
朱昂：你們實盤跑下來，低頻量化和高頻量化的淨值曲線有什麼差異嗎？
梁黃炫 高頻量化的曲線，大部分時候並不平穩，會有一段時間很賺錢，大部分時間很平穩。我們這一套低頻量化選股模型不同，不是依靠任何風格賺錢，基本上每一天都有超額，收益率曲線比高頻量化要穩定很多。 我們運作下來，26周的周勝率在92%左右，超額收益非常穩定，這個數據還是不包含打新和T0的。畢竟這種策略是各種風格都買，不會出現高頻交易那種風格切換的問題，也不強依賴於市場交易行為。
朱昂：但是A股市場風格切換很厲害，一段時間的收益率基本上來自風格和市場匹配，你怎麼做到周勝率那麼高？
梁黃炫 一方面，我們買了所有的基本面風格，因為大量不同的交易日選出的風格是不一樣的，持倉組合的因子是多樣性的。另一方面，相對於公募基金的主觀投資來說，這個模型還有大量量價分析的維度，因為我們本來就是做AI高頻出身的，結合AI技術面高頻是很自然的事情。當高頻和低頻結合在一起之後，不但能從基本面挖掘信息量，還能從量價挖掘，產生很不錯的化學反應，因此不受到能力圈的限制的含義也包括這一層面，即不會固守在一個固定的基本面風格內。
朱昂：這個策略回測的結果如何，會在哪些時間段更有效？
梁黃炫 我們看到2018、2019和2020三年回測下來，每年都有最具競爭力的穩定超額收益，收益水平上與我們過去的高頻收益近似，這三年其實市場風格切換了很多次。2017年會相對差一些，因為這一年出現了一個巨大的風格切換，模型需要時間適應。
更重要的是，高頻賺的是很擁擠的錢。這個錢我賺了，你就不能賺，交易優勢只有最先的人具有，趨於零和博弈。我們在期貨市場上已經看到了這個現象，基本上外資高頻把整個高頻期貨市場都佔領了。低頻是賺企業成長的錢，我賺了這個錢，你也能賺。這意味著低頻策略的穩定性會比高頻要高，容量上限更大，我們也有理由相信未來能維持穩定。AI低頻量化，是賺業績預測的錢，不是賺交易情緒的錢，這個錢無論什麼時候都是可以賺的。交易風格就說不準了，可能過一段時間大家又不喜歡當下流行的趨勢了。模式的創新永遠是最大的創新。
我覺得這個模型的總體思路有點像彼得林奇，去找冷門業績反轉的公司，不那麼喜歡往人多的地方鑽。但是也不絕對，取決於挖掘出的當下市場風格。
朱昂：會不會有流動性問題，很多股票的流動性很差，像美國和香港有許多幾乎沒有流動性的公司，就算被低估也難以價值迴歸？
梁黃炫 這個不會的，我們看美股的羅素2000，裡面個股的流動性還是很不錯的。除非像國內新三板市場那種另一個市場的流動性，低到不可思議的地步，才會導致因為流動性缺失，長期的估值低估。流動性和關注度是不一樣的，關注度高的市場只有短暫的流動性缺失，不存在長期的流動性缺失。
況且，一旦我們的模型找到業績反轉的公司，這類公司的關注度提升之後，流動性也會出現好轉。像我們此前挖掘過的一個公司，交易量最低的時候只有百萬級別，但是報表出來後，交易量一下子到了幾個億的級別，這也說明公司流動性缺失都是短暫的，只要業績反轉，流動性就能改善。只要都在A股市場內，就不缺乏關注度，也就不缺乏流動性。
這個問題的另一面是，當流動性越來越集中的時候，收益可能會越來越集中到少數個股，這對高頻模型來說是有劣勢的。高頻模型每天要買大量的股票，導致難以捕捉少數個股的收益，而低頻模型每天買的個股少，當市場收益集中在少數個股時，每天低頻模型選股就會自動聚合，捕捉少數優勢個股。
量化進入主動選股領域必然是未來方向
朱昂：這個策略，是隻在A股有效，還是在海外也會有效？
梁黃炫 如果這個策略海外沒有人在做，那麼一定是未來的方向。我們並沒有做過海外市場，所以也不知道有沒有人在做。這個模式一定是代表了未來的方向，兼具了量化和主觀的很多優勢。
朱昂：能不能理解，相比於普通的基金經理選股，你就像機關槍和大刀長矛的區別？
梁黃炫 可以這麼理解，我原本以為基本面量化是一片紅海，但通過我們的研究發現，機器可以開放出來的空間很大，數據意義上，人是比不過機器的，這是一個確定的事情。主觀有許多不確定性，導致了結果的差異。但我知道，只要面對單純的數據，一定是機器比人強太多了。
所以過去高頻量化和低頻主觀，井水不犯河水。你賺高頻的錢，我賺低頻的錢。現在AI已經進入到低頻領域，那麼長期看大概率改變這個行業的生態。如果研究上沒有特殊之處，人是不可能打贏機器的。就像過去高頻交易中，還有各種散戶能賺錢，現在基本上不可能了，都是量化在賺錢。但是反過來說，由於低頻的容量很大，可能這一套模型要達到很大規模以後，才會真正影響主觀投資。
朱昂：你覺得還有其他量化也在進入這一塊嗎？
梁黃炫 據我所知還沒有，因為其他量化可能還在月級別的低頻，我們已經到了季度級別、半年級別的低頻。
朱昂：你們會不會有容量的問題？
梁黃炫 理論上，這種低頻策略的容量可以做得比較大。這裡面就有取捨的問題了。做到一個什麼樣的規模下，單家機構能夠維持30%的超額收益率？我覺得差不多在100到200億之間，規模再大一些，有可能會稀釋收益率。
朱昂：你們的平均換手率是多少？
梁黃炫 我們從低頻到高頻都有，最高250倍，最低2.5倍。這個低頻策略對應的是20倍以下的換手率。高頻策略主要是為了作為對比參考，我們發現現在的市場越低頻越容易賺錢。
我們團隊是一個很注重創新的團隊，從2015年市場第一批創造AI高頻模式到今天同樣第一批創造AI低頻模式，團隊一直在創新的道路上不斷地開拓。
- end -
安 昀 | 鮑無可 | 曹 晉 | 曹文俊 | 陳璇淼 | 陳 媛
陳立秋 | 陳 軍 | 陳覺平 | 程 洲 | 崔 瑩 | 蔡嵩松
蔡 濱 | 董偉煒 | 杜曉海 | 付 斌 | 費 逸 | 方鈺涵
方 緯 | 高蘭君 | 剛登峰 | 葛 晨 | 顧耀強 | 光 磊
郭 敏 | 郭 銳 | 郭 堃 | 韓 冬 | 郝旭東 | 郝 淼
何 帥 | 何曉春 | 洪 流 | 胡昕煒 | 胡魯濱 | 胡宜斌
胡 濤 | 黃 峰 | 姜 誠 | 紀文靜 | 焦 巍 | 賈 鵬
匡 偉 | 勞傑男 | 雷 鳴 | 李德輝 | 李 琛 | 李曉西
李曉星 | 李元博 | 李耀柱 | 李玉剛 | 李健偉 | 李佳存
李 巍 | 李曉星 | 李 競 | 梁 浩 | 梁 輝 | 梁 力
廖瀚博 | 劉 斌 | 劉 輝 | 劉格菘 | 劉曉龍 | 劉 蘇
劉 銳 | 陸 彬 | 陸政哲 | 陸 欣 | 羅春蕾 | 呂越超
樓慧源 | 馬 翔 | 馬 龍 | 潘 明 | 蒲世林 | 齊 皓
祁 禾 | 秦 毅 | 秦緒文 | 丘棟榮 | 邱 傑 | 饒 剛
石 波 | 沈 楠 | 沈雪峰 | 史 偉 | 是星濤 | 孫 偉
湯 慧 | 唐頤恆 | 王 俊 | 王 培 | 王 栩 | 王延飛
王宗合 | 王克玉 | 王 景 | 王曉明 | 翁啟森 | 吳 星
吳豐樹 | 吳 印 | 伍 旋 | 謝振東 | 徐志敏 | 徐 成
許 炎 | 楊 棟 | 楊 浩 | 楊 瑨 | 楊銳文 | 楊 帆
姚 躍 | 葉 展 | 易智泉 | 於 洋 | 於善輝 | 袁 宜
袁 航 | 袁 曦 | 張東一 | 張 峰富國| 張 峰農銀匯理
張 鋒 | 張 暉 | 張 慧 | 張延鵬 | 張迎軍 | 張益馳
趙曉東 | 鄭慧蓮 | 鄭 磊 | 鄭巍山 | 鄭 偉 | 周應波
朱 平 | 朱曉亮 | 左金保 | 趙 蓓 | 鄒 曦 | 周 良
周雪軍
