七禾网注：嘉宾回答仅代表其本人观点，不代表七禾网的观点及推荐。金融投资风险丛生，愿七禾网用户理性谨慎。
姜涵：
上海绵烁资产管理有限公司总经理
新加坡南洋理工计算机工程(AI方向)、金融工程硕士、美国卡内基梅隆大学计算金融。曾任职于德意志银行、花旗银行全球市场部负责FICC业务，主要服务投资体量庞大的机构，如淡马锡、中投等;2015年回国担任华泰风险管理子公司金融衍生品业务独家顾问。后加入申万宏源证券总部，主要负责金融行生品及自营业务，结合海外的经验与本土化的实践，建立量化策略体系。2020年开始带领公司驰骋量化私募市场。
CTA策略是重要的、不同于传统股票市场的收益来源，可以获取大宗商品、股票市场的指数、以及国债等标的资产可以带来的交易性收益。这类收益帮助投资人分散了在传统投资市场，尤其是最主流的股票市场所携带的风险。
量化策略的基础是过往数据，因此最大的风险往往是过往数据中样本量比较小、不太常见的市场形态，尤其是剧烈的大拐点，以及突发政策所引起的大幅波动。
策略间从原理出发的多样性和互补性是首要的，而跨资产类别是其中的必要条件之一。
商品市场大概率有明显的“政策顶”（而股市有明显的“政策底”）。我们认为商品市场很难出现连续上涨的大趋势，因此缩短周期、加强截面类的策略，是比较明治的选择。
被动风控虽然不可避免，但也永远不是最好的办法。因此策略的设计，尤其是组合的设计，在源头就应该考虑风险的均匀性，以及对极端风险的平滑和对冲。
投资人应该提前准备以应对这些冲击。靠主动的频繁的择时调仓，很难长期维持足够的成功率，给投资人造成的压力也可能过大。更好的方法仍然是分散配置，尤其是在资产类别、策略类型等方面寻找真正有效的多样性和互补性。
欢迎参加蓝海密剑实盘大赛！
可同时参加多个实盘大赛，奖金上不封顶，针对性享受多项免费服务，优秀选手对接管理型资金，分红比例20%~70%！
添加微信：15068166275
或扫描下方二维码，报名参赛
姜涵：绵烁现在的投资策略团队，核心成员中有的是境内外银行或券商自营的背景，也有境内外对冲基金背景，都是国内外优秀高校毕业。团队整体在前沿算法、机器学习、深度学习等领域有相当深厚的基础和实践成果，专注在市场的量化特征在对未来资产价格变化的预测能力上，从而能够在广泛的资产类别上获取收益的能力以及构建高质量的量化投资组合的能力。
七禾网2、公司的主要投资策略有哪些？
姜涵：现有的策略包括：量化选股策略，以及衍生出的中性、多空和指数增强策略；量化CTA策略（包括商品策略和金融期货策略）；底仓T0策略；以及上述策略按投资需求配置出的复合多策略（稳健型、平衡型、进取型）
姜涵：策略开发主要分为以下步骤和流程：
1. 因子开发（体现市场特征的设计）
2. 模型及学习目标的选择（线性、机器学习、深度学习等）
3. 对模型进行历史数据训练
4. 产生样本外的预测值
5. 基于预测值及约束和风控条件构建投资组合
6. 检验该组合的收益质量，包括但不限于收益率、夏普率、对现有组合的贡献
姜涵：CTA策略是重要的、不同于传统股票市场的收益来源，可以获取大宗商品、股票市场的指数、以及国债等标的资产可以带来的交易性收益。这类收益帮助投资人分散了在传统投资市场，尤其是最主流的股票市场所携带的风险。
同时，CTA策略在市场波动放大时通常有较好的表现，能够起到帮助传统金融资产对冲极端风险的作用（所谓的“危机阿尔法”）。比较重要的是，我们认为这一特征在境内市场主要体现在金融期货上。
另外，CTA策略的多空仓位上的均衡性，能够帮助投资人对抗市场整体的下跌，降低整个投资组合对牛市的依赖，可以大幅降低投资人持有传统资产的难度。
姜涵：CTA策略与传统权益类、债券类资产相关性较低。CTA策略交易的标的更偏宏观类型、在经济结构中更为上游，因此与更加微观驱动的个股组合之间相关性通常比较低。传统权益类资产主要收益的驱动力是企业的盈利能力和其资产的收益能力，债券类收益主要和利率环境、信用状况相关。而CTA策略主要基于期货等衍生品市场，其收益跟商品价格波动、股市整体波动、及利率水平波动等因素有关。这种低相关性的原理是比较直接的。
姜涵：量化策略的基础是过往数据，因此最大的风险往往是过往数据中样本量比较小、不太常见的市场形态，尤其是剧烈的大拐点，以及突发政策所引起的大幅波动。这类风险，原理上看是无法完全消除的。我们认为最佳的处理方式是多资产、多交易维度、多模型甚至是多策略的配置。这一点，对于投资人是有价值的，对于管理人来说也同样重要。
姜涵：机器学习并不神秘，且机器学习的覆盖范围非常广泛，很多技术早已在投资交易领域得到了应用。深度学习可以看作是机器学习的一种特定的，比较前沿的分支。但他们的基本原理仍然相似，都是通过大量的学习样本，通过拟合或调优模型所携带的各种参数，来达到对训练目标的拟合，也就是解释的能力。我们认为这种基于统计模型和统计原理的数据驱动的方法论，已经成为了一种主流模式，工具更加完善，基础更加扎实。这种模式，在上游的因子设计和下游的目标设计上，有很多设计的空间。这也给策略的多元化提供了很好的条件。
姜涵：量化选股通过大量的基本面、财务指标、量价数据驱动的特征（也就是因子），通过各种模型进行训练，使得模型能够依靠这些因子形成对未来某个目标的预测能力。这个目标通常是个股未来某个周期上收益率的排序或相对收益率。基于这样的预测，以及相对基准指数在风格上的限制（如市值、行业等），我们就能够构建出一个最大化预期收益的持仓组合。选股策略在一定频率上重复这样的预测和组合构建，就形成了最基本的选股策略。这样的策略，通常目标是让持仓组合长期稳定的跑赢基准指数，从而获得一定的超额收益。
姜涵：量化选股策略的初衷，通常是要求超额收益和市场整体的表现不相关，至少低相关。大部分选股策略的预测周期在5到10天，有较明显的高抛低吸的特征，因此需要市场有正常的波动。过低的波动，比如特别的窄幅震荡环境，对获取超额收益是不太有利的。同时，剧烈的波动，尤其是政策驱动的市场突然大涨时，由于基准指数通常是市场头部市值范围，量化选股所倾向持有的中小市值会容易跑输，因此也会比较不利。所以合理的波动范围选股策略表现会比较好。这个特征意味着，能够在尾部风险上提供对冲的策略，比如金融期货CTA策略，是非常有价值的。
姜涵：策略间从原理出发的多样性和互补性是首要的，而跨资产类别是其中的必要条件之一。策略的交易周期、交易维度、底层模型、因子组合方式等方面也可以产生多样性和互补性。最终收益数据层面体现的相关性统计是直观的检验，能够量化的体现上述多样性和互补性的效果。最终合理的策略组合应该是充分利用底层资产类别和策略风格的多样性和互补性，平滑收益曲线，降低极端的净值波动的幅度和频率，从而降低投资人的持有难度，提升风险收益上的性价比。
姜涵：我们认为在宏观环境尚未大幅改善的情况下，财政所面临的挑战意味着公共部门很难承受过高的上游价格，从而有很大的动力、以及过去行之有效的手段，在大宗商品价格过快上涨时再次出台调控政策。商品市场大概率有明显的“政策顶”（而股市有明显的“政策底”）。我们认为商品市场很难出现连续上涨的大趋势，因此缩短周期、加强截面类的策略，是比较明治的选择。
姜涵：被动风控虽然不可避免，但也永远不是最好的办法。因此策略的设计，尤其是组合的设计，在源头就应该考虑风险的均匀性，以及对极端风险的平滑和对冲。之前提到的多元化和互补的策略组合，也能够极大的改善风险的均衡性，降低尾部极端风险的程度和出现的概率。因此，策略设计和组合上的提前风控设计，或者更准确的说是风险平衡，比只依赖被动风控更加有效。
在这之后，我们通常会根据样本外回测数据的统计，制定合理的风险预算，包括波动率控制范围和回撤预算，且更保守的留出足够空间设立预警和止损。在实盘交易运作的过程中，在回撤逼近预警时主动的防守性降低仓位，减缓回撤超出设计范围的压力，待净值波动趋于稳定后逐步恢复仓位。这样的操作，如果触发的过于频繁，显然对交付收益不利，因此前述的策略层面的组合和设计才显得尤为重要。
姜涵：在2023年的四季度，我们坚定的将金融期货策略纳入了CTA的产品中，且将股票中性策略和CTA策略均衡配置，设立了我们的第一支复合策略。在2024年1、2月和9、10月的极端行情中，中性策略在小市值和基差上所遇到的挑战，完全被CTA策略的获利所对冲，完美的诠释了我们在前述策略组合及主动风控方面的思路和信仰。这样的复合策略，已经成为了公司的旗舰产品，获得了尤其是高净、家办等类型的投资人的青睐。
姜涵：我们规划加大在多空策略上的投入，积极组织场外券源，通过降低对小市值的依赖，以及更加多元化的超额收益来源，提升策略组合层面的收益质量，以及抗宏观和政策冲击的能力。另外我们积极的开展高换手、低波稳健的策略条线，交付给较为保守的投资人一个均衡、多元、较大容量的低波动、低回撤的收益。我们期待通过组织出稳健、平衡、和进取的不同风险收益特征的产品，来满足不同投资群体的差异化的投资需求。
姜涵：我们认为A股市场的重要性也在造成其一定程度的脆弱性。由于境内可供投资的资产类型不够丰富，而需要寻找投资机会的资金体量非常可观，一旦形成统一的观点，某个赛道或风格很容易短期内吸引到巨量资金。这种情况频繁发生，容易形成拥挤和踩踏，也就造成A股市场的尾部风险频发，脆弱性明显。这些周期和风险在未来一定会继续反复出现，投资人应该提前准备以应对这些冲击。靠主动的频繁的择时调仓，很难长期维持足够的成功率，给投资人造成的压力也可能过大。更好的方法仍然是分散配置，尤其是在资产类别、策略类型等方面寻找真正有效的多样性和互补性。
七禾网注：成绩代表过去，未来充满挑战！
七禾网www.7hcn.com
翁建平对话整理
2025-1-6
