对话高盛Quant Strats VP许凌霄：应对时代变革，寻找“AI版多米诺骨牌”式投资机会

许凌霄：在高盛集团担任高级量化策略Vice President和地区Quant Strats团队负责人期间，我主要负责公司的针对特定投行业务中金融产品的量化策略模型开发、投资组合风险管理以及短期流动性投融资组合的优化，以及带领我们的Quant Strats团队。我的团队专注于投行交易团队的产品的分析与建模，尤其是利率产品和有抵押品的投融资工具。另外，我也参与了资产和财富管理部门主导的基于大语言模型LLM与人工智能AI的开发与策略优化项目，在探索AI进行交易的使用场景以及寻找优化投资组合的机会。在日常工作中，我们通过先进的模型和分析方法，我们确保了公司在各类市场条件下的表现，优化不同衡量基准下的风险收益。我们的工作不仅涵盖固定收益市场，还涉及跨资产类别的风险管理，帮助集团的投资组合在复杂的市场环境中做出更好的投资决策。

许凌霄：我们投研团队的投资策略建立在全面且长期的金融理论基础之上，注重在数据驱动下的量化分析，通过审慎的风险评估和市场预测来实现风险调整后的回报最大化。对于市场逻辑，我们秉持有效的投资策略需要将系统方法与适应性灵活性相结合的全面和细致方法的理论。举两个例子，一个核心是系统性趋势跟踪框架，另一个核心与之相对应是全面深入和长期的投资视角避免被短期波动和单一因素所干扰。第一个核心并不是摒弃了自主决策，而是采用基于规则的方法，能够客观地跟踪市场趋势，不带方向性偏见或预设立场。这种基础策略使资产组合能够适应不断变化的利率环境，而不是试图预测它们，同时保持在多个资产类别中同时做多和做空的关键能力。

这种方法的成功在很大程度上依赖于适当的多样化，这种多样化超越了简单的资产配置，包含了对市场状况的动态响应。投资组合应该根据不同市场制度下资产之间相关性的变化进行调整，而不是维持静态配置。这种适应性在考虑股票和债券等传统资产类别之间的关系时变得尤为重要，因为这种关系在不同的利率环境下可能发生巨大变化。此外，多样化策略应该考虑多个时间范围，再平衡频率较慢的、更稳定的趋势与能够捕捉危机Alpha机会的快速信号。

风险管理是这个投资框架的另一个基石，它结合了系统性和宏观风险考虑因素。这包括基于市场波动性和相关性结构持续监控和调整仓位规模。该方法认识到不同的市场制度需要不同的风险管理策略，特别是在高利率和低利率环境之间转换时。例如，在高利率情景下，框架建议增加趋势跟踪策略的配置（约20-25%），并强调动态多空敞口的重要性，考虑到股票和债券之间可能改变的相关性。相反，在低利率环境下，较小的趋势跟踪配置（约10%）可能更为适当，更强调传统的多样化方法和套利策略。这里面，时间周期管理发挥着关键作用，在2023年波动的市场中，较慢的趋势信号表现出更好的效果。该方法在保持中长期趋势跟踪以确保稳定性的同时，保持根据市场条件调整交易速度的灵活性。这种多时间维度的策略在管理不同市场环境下的业绩分散度方面尤为重要。在投资组合构建方面，传统的60/40投资组合方法在当前高利率环境下效果日渐降低，因此建议在低利率环境下配置10%的趋势跟踪，在高利率环境下增加到20%。这种动态调整过程不仅关注回报，还注重优化整个投资组合的相关性效益。

这个框架的实施需要坚实的实证研究和持续的市场分析基础。投资组合构建应该基于稳健的研究发现，同时保持适应不断变化条件的灵活性。这包括定期评估仓位规模、相关性变化和制度转换，以及持续评估策略表现。重点是在整个投资组合中保持流动性和因子分析的透明度，确保能够随着市场条件的变化调整仓位。

危机管理是该框架的关键组成部分，特别是在捕捉所谓的"危机Alpha"方面。这要求专注于提供快速调整仓位灵活性的流动性市场，同时在压力期间保持系统性方法。该框架在危机期间的成功往往源于其能够适应不断变化的相关性和市场动态，而不放弃其核心系统原则。

系统性优于自主性的偏好贯穿这整个框架，因为它有助于消除投资决策中的情绪偏见，同时实现一致性执行和可扩展实施。然而，这种系统性方法不应与僵化混淆；相反，它应该包含适应性元素，允许根据不断变化的市场条件进行动态仓位调整和灵活资产配置。系统性纪律与适应性灵活性之间的平衡代表了该框架的主要优势之一。研究在维持和提高框架有效性方面发挥着重要作用。这包括持续的实证分析、对市场制度的深入理解、历史模式识别和前瞻性情景分析。研究成分应该为配置的战略决策和仓位规模及风险管理的战术调整提供信息。这种研究驱动的方法有助于确保决策基于实证证据而不是直觉或市场情绪。

该核心框架的成功关键取决于其有效结合这些不同元素的能力——系统性趋势跟踪、动态资产配置、多时限敞口管理和稳健的风险管理——形成一个能够适应不同市场环境同时保持一致长期回报的连贯整体。

另一个核心是，在货币政策和宏观市场框架方面，关键是要超越单纯关注央行行动的传统思维模式。虽然央行政策确实举足轻重，但不应该成为分析的唯一焦点。投资者需要同时考虑需求端和供给端的因素，对于通胀等精确目标保持适度怀疑态度，因为这些经济指标的测量本身就存在显著的不确定性。这种广度的分析，完美引入了AI在二级市场投资中的优势与意义。对此我们进行了若干个AI模组的针对性研发。此外，不应过度反应于小幅数据波动，而应该把注意力集中在主要趋势的变化上。特别值得注意的是，考虑到持续强劲的GDP增长，实际中性利率可能比普遍认知要高。

在固定收益策略方面，需要密切关注国债发行模式及其对市场流动性的影响。应该警惕赤字可持续性和长期财政偿付能力的问题。同时要考虑财政部一般账户支出带来的流动性注入效应。值得注意的是，由于缺乏具有相当市场深度和稳定性的替代品，美国国债仍然保持着主导地位。另外，还要警惕短期票据转换为长期债券时可能带来的"期限延展"风险。

供给端分析在整体框架中占据重要位置。这包括评估不同行业的监管影响，政策变化如何影响企业成本和竞争力，以及环境法规、许可证制度对经济的影响。同时也要考虑劳动力市场的准入限制和土地使用规定对经济的深远影响。这些因素往往被传统分析所忽视，但实际上对市场走向有着重要影响。

对于宏观风险评估框架，我们强调不能仅仅依赖传统经济指标。应该关注经济疲软或强劲是否具有跨人口统计学和地理范围的广泛性，区分劳动力市场的结构性和周期性变化，评估企业行为模式并将库存和供应链周期纳入考虑范围。这种多维度的分析方法有助于更准确地评估市场风险。

在操作风格上，避免基于小幅数据变化进行过度微观管理，而应该着眼于结构性变化的长期视角。同时考虑货币政策和财政政策的影响，关注基本面经济驱动因素而非短期波动，并始终保持对不同部门监管和政策影响的警觉。

这第二个核心框架特别强调了超越传统货币政策分析的重要性，理解市场结构性变化，同时考虑供需因素，采取更全面的经济驱动因素视角，对精测量保持怀疑态度，更关注长期趋势而非短期波动。这种方法特别适用于长期宏观投资、固定收益策略、政策驱动的市场分析、跨资产配置决策以及不确定政策环境下的风险管理。

许凌霄：Someo Park的创立目标是利用先进的人工智能和机器学习技术，为投资组合管理提供更智能和可扩张性的投资解决方案。我们专注于基于使用人工智能的量化交易策略的开发，以高净值个人客户为主要目标服务对象。公司通过自研的AI自动化交易系统，为客户提供创新的投资机会和中低频策略优化的交易流程，致力于成为金融科技领域的领军者之一。

许凌霄：Someo Park主要聚焦于北美市场与主流加密货币的量化交易领域。公司研发的自动化交易系统已在市场中取得良好成效，特别是在均值回归策略，动量策略以及离散交易策略上表现优异。我们开发的AI算法可实时分析广泛的市场行情数据以及机构分析报告，帮助投资者通过策略的动态组合，来构建全天候波动率中性组合来规避波动的风险，为投资者提供了稳定的收益和优化的交易执行。

许凌霄：人工智能在金融行业的应用前景广阔，不仅提升了效率，还提供了更为新颖的风险评估与市场预测。随着AI模型的不断优化，我们可以更有效地进行量化分析并发现潜在的并不拥挤的投资机会。未来，我将继续利用AI技术提升Someo Park的交易策略和市场反应能力，同时确保量化策略在市场中占据领先地位。

从投资者心理和行为的角度来看，投资者对人工智能生成的预测反应较慢，相比于人类分析师给出的预测，他们需要更长时间来消化和采取行动。这种现象反映了一个有趣的心理偏差：人们往往更容易原谅人类的错误，而对算法系统的失误则较难容忍。在信任和理解方面，人们对人工智能的信心往往与其对系统的理解程度直接相关。有趣的是，研究显示女性在金融环境中对人工智能的信任度往往高于男性。如果将这种现象类比到自动驾驶汽车领域，尽管数据可能表明自动驾驶更安全，人们仍然对其持谨慎态度。这反映了人们在面对新技术时的普遍心理状态。

就系统化交易和人工智能的实施而言，计算机在系统化交易中主要是执行人类设计的策略。然而，市场中经常存在一种不公平的假设，认为系统化/人工智能方法"迟早会出问题"。当投资损失发生时，系统化方法往往比人类自主交易面临更严厉的批评，即使是在面对相似的错误时。我确实认为存在一些可以称之为奇特的、不寻常的、非线性的金融数据模式，这些模式用传统的统计技术很难发现。确实，在这个领域有一家非常成功的公司，它的表现超过了地球上任何其他对冲基金，这就是文艺复兴科技公司。虽然没人真正知道他们具体在做什么，但很可能就是因为他们没有在做其他人都在做的事情。

系统管理者责任方面，相比传统的自主交易管理者，系统化/人工智能管理者面临着更高的要求，需要详细解释其方法论，这里的重点应该放在解释为什么采用特定方法，而不是仅仅介绍技术细节。这一点对于建立投资者信心至关重要。在监控和监督方面，虽然系统化方法是自动运行的，但仍然需要人类的监督。

总的来说，金融领域人工智能是一个需要正确理解、解释和监督的工具，而不是一个完整的一站式解决方案。我在此要强调透明度和适当沟通的重要性，既要说明这些系统能做什么，也要明确它们的局限性，同时承认在其采用过程中存在的心理障碍。

成功实施在金融领域的人工智能需要几个关键要素：首先是清晰解释方法论，让投资组合管理者理解系统的运作原理；其次是理解系统在什么时候、为什么会表现良好或不佳；再次是建立适当的监控和监督机制；此外还要认识到人类在采用这些系统时的心理因素；最后是在自动化和人类判断之间取得平衡。

为此，我主张考虑使用AI进行投资策略管理时执行"AI-Alpha分解理论"投资组合分析框架，通过比较相同资产配置下AI参与管理，和无AI的方法管理的投资组合表现差异，来量化AI带来的增值和风险。核心思想是将传统的Alpha和Idiosyncratic Risk概念扩展到AI领域，同时保持了投资组合理论的基本框架。

在这个框架中，总收益被分解为无风险收益、市场风险溢价、传统alpha以及AI引入的alpha(α-AI)。特别之处在于，将传统方法的与AI在线性代数意义上正交的产生的alpha视为一种可预期的"系统性"收益，实际上将其纳入了新的beta范畴，而将AI带来的真正增量收益单独量化为AI-Alpha。

在风险分解方面，除了传统的系统性风险和特异性风险，这个理论要引入了AI特有的特异性风险(σ²AI_ε)和交互风险(σ²interaction)。这种分解方式承认了AI投资可能带来的独特风险特征，同时也要认识到AI和传统方法之间可能存在的协同或冲突效应。

与传统的Idiosyncratic Risk可以通过投资组合多样化来降低类似，在这个框架里AI特有的特异性风险(σ²AI_ε)也可以通过多维度分散化来管理：横向上通过跨资产类别配置，纵向上通过多AI模型的组合应用，在这个坐标系内进行优化。

我们提出这个理论框架的实用价值在于：它为量化AI在投资管理中的真实贡献提供了可操作的方法，同时也为风险控制提供了更全面的视角。通过将“AI-Alpha”和“AIdiosyncratic Risk”纳入考量，使得衡量AI参与的投资组合可以更好地评估和优化AI在投资组合中的应用。这里理论中引入的σ²interaction项特别重要，也值得我们进行研究，因为它可能捕捉了AI和传统方法相互作用产生的额外风险或收益机会。

许凌霄：我并不长的职业生涯，由于多种原因，跨越了多个金融企业，从美国银行集团到UBS瑞银证券，再到高盛，每一阶段都增加了我对金融市场与管理的理解。在UBS期间，我深入参与了结构性股票衍生品的交易，对复杂金融产品的交易流程有了全面的掌握。在MBA读书第二年末尾，我们开始了创立Someo Park Investment Management的理论准备与研发工作，直至毕业后与我的合伙人继续AI策略研发工作。

加入高盛集团后，我则主要负责利率产品和投融资工具的量化模型开发，这进一步扩展了我在不同金融市场中的专业能力。这些经历不仅让我认识到量化交易在金融市场中的潜力，也坚定了我利用科技提升金融服务的信念。

随着我们进入AI时代，投资领域正经历着深刻的变革。AI技术带来的最显著变化是生产力的革命性提升，这种提升主要体现在流程创新而非金融产品创新上。据观察，这些技术每年提升，当新技术普及率达到25%或者更高后，其对生产力的影响会变得更加显著。这种变革为投资市场带来了新的机遇，投资范围不再局限于现有的科技巨头，而是扩展到能够有效运用AI技术的传统企业，以及可能出现的具有颠覆性的新公司。我们需要寻找"AI版多米诺骨牌"式的投资机会。

在能源需求方面，AI时代也带来了显著变化。AI运算需要消耗大量能源，这加速了清洁能源转型的进程，同时也推动了对关键金属的需求激增。这种转变带来了新的挑战，特别是在资源供应方面。以铜为例，面临着供应短缺、获取许可难度加大、新矿山开发周期长等问题，这些因素都导致价格波动性增加。

在技术层面，AI时代对计算能力的需求急剧上升，数据存储和处理要求不断提高，能源消耗问题日益突出，这都要求基础设施进行相应的升级。这些变化也推动了投资策略的演变，风险管理变得更加复杂，需要更注重系统性风险防范，强调多元化配置，同时要考虑地缘政治因素和通胀影响。

在这样的背景下，投资需要更加灵活和务实。首先，要保持对新技术和创新企业的关注，但同时也要避免盲目追随市场热点。其次，要在把握短期机会的同时，始终保持长期投资的视角。瑞银的CEO Sergio Ermotti曾经说过，2024年的市场参与者通常会高估了人工智能与大语言模型的短期投资收益，却低估了其在长期投资中的影响。这个观点发人深省，值得我们深思。要理性看待AI的发展，既不能过分乐观也不能过度悲观。最后，仍然要持续关注经济基本面，因为无论技术如何发展，基本面始终是决定投资成败的关键因素。当前，我们正处于这两个时代之间的转折点。

许凌霄：我选择进入金融行业其实是因为我本身对政治科学以及历史的热爱，我相信金融与经济史本身也有一种类似政治与人类历史的关系。在高中以前，历史和政治是我最喜欢的学科，并不擅长数理化。我本科期间主修计算机科学与数学，之后在研究生院进修工程学科，逐渐对模型在金融市场的应用产生了兴趣。我认为我的专业背景和行业需求契合，量化金融既能满足我对数学模型的热情，也让我在实践中不断挑战自我。由于成长于中国金融市场快速发展与完善的年代，以及出于对祖国的热爱和对中国市场的信心，以及工作中积累的点点滴滴，我相信量化金融投资在中国一定有广阔的发展空间。

许凌霄：在工作之余，我参与了公益活动，尤其是教育和青年发展的项目。在2023年，我在美国某个奖学金项目中担任过辅导者角色，帮助多元文化群体年轻人建立良好的学习习惯，以实现他们的职业目标。此外，我也喜欢篮球和戏剧表演，我在一部短电影中饰演了一个角色，另外在耶鲁大学和纽约市参与了一部三小时的中国剧作家曹禺于20世纪30年代创作的戏剧作品《日出》的剧院话剧现场演出，担任男主角潘月亭。

许凌霄：近期最引人注目的莫过于特朗普在美国大选中取得胜利，这一结果不仅包括总统职位的获得，还包括对众议院和参议院的"横扫"。市场对这一全面胜利的规模感到意外，随后做出了积极反应。股市出现明显上涨，同时债券收益率也随之攀升，这反映了市场对特朗普新政府经济政策的乐观预期。值得注意的是，像埃隆·马斯克这样的科技企业家在选举结果公布后个人财富就增加了200亿美元以上，充分说明市场对特朗普胜选的积极反应。

从政策预期来看，特朗普新政府可能会推出一系列重要经济措施。首先是减税政策的延续和扩大，包括可能将企业税率进一步降低至15%的激进目标。其次是继续推进放松管制政策，这被认为将有助于提升企业活力和市场效率。虽然特朗普一直强调要加强关税政策，但专家们普遍认为这更可能是对外谈判的筹码，而非最终政策目标。更重要的是，新政府很可能加强供给侧改革，这被市场视为对经济增长有利的积极因素。

从当前美国经济状况来看，仍然保持相对稳健的增长态势。服务业ISM指数创下2022年中期以来的新高，消费支出维持在实际3%左右的年化增速水平。虽然劳动力市场出现一定程度的软化，但整体仍然保持稳定。通胀方面，核心PCE通胀率继续呈现下降趋势，但仍然高于美联储2%的目标。

然而，我们也需要警惕潜在的风险因素。首要问题是美国持续扩大的财政赤字，这几乎是所有宏观经济分析师都深感担忧的问题。债券收益率可能会继续上升，这将增加政府的融资成本。如果特朗普政府真的实施大规模关税政策，可能会带来新的通胀压力。另外，美联储主席鲍威尔与特朗普的关系历来紧张，这可能会影响未来货币政策的制定和执行。

从全球视角来看，各个地区面临不同程度的挑战。欧洲目前处境较为严峻，德国政府的崩溃和重新大选反映了该地区面临的政治和经济困境。中国方面，采取了一系列政策措施，这些措施主要着眼于稳定资产市场，中国推动显著的经济增长的重点还是着眼于结构化改革。在各国政策调整下，全球竞争格局可能会发生重大变化。

总的来说，市场对特朗普胜选的初始反应是积极的，主要基于对其减税和放松管制政策的期待。但从长期来看，我们需要密切关注财政赤字问题、关税政策的实际影响以及全球地缘政治关系的演变。特别是在当前复杂的国际环境下，美国新政府的政策取向将对全球金融市场产生深远影响。未来市场的发展走向很大程度上将取决于新政府政策的具体实施情况以及全球经济环境的变化。