金融与数智化深度融合，共绘金融科技新篇章。东方财富、东方财富证券、Choice数据于2024年4月26日（周五）在上海举办了以“科技赋能，妙想未来”为主题的2024东方财富数智金融大会。本次大会汇聚了金融科技领域的精英与先锋，共同探讨了金融数智化的未来趋势，分享了最新的研究成果，并展示了金融科技的最新应用。
圆桌论坛环节。思勰投资总经理吴家麒先生主持了论坛，与图灵基金创始人兼投资总监王亚民先生、蒙玺投资创始人兼总经理李骧先生、仲阳天王星CEO兼投研总监孙博先生、皓兴科技创始人朱郑铂先生以及东方财富证券研究所总量组负责人曲一平先生，共同就金融领域数智化发展进行了深入探讨。
他们认为，AI技术需与策略研发能力相辅相成，量化革新应与人才培育共生共长。AI在风险控制和市场预测中展现出其独特价值，AI量化投资的潜力巨大，为投资者提供了新的机遇。
以下为圆桌论坛现场原文。
吴家麒：我们开始今天的圆桌，今天的主题是"科技赋能，妙想未来"。大家都知道我们现在的量化投资已经全面拥抱了AI机器学习的算法，我们投资的各个环节都有可能被AI重新构造了一遍，但是我们在做量化过程中，我相信我们的同行都是这样认为的，大家觉得人是最重要的资产。那第一个问题想问一下朱总、李总还有王总。一方面人很重要，一方面用了AI工具，如果以后大家都用AI工具是不是人就不重要了，或者我们怎么平衡人和工具之间的关系。
朱郑铂：我想从两个方面回答这个问题，第一个方面就是以皓兴科技为例，我们对于AI的应用是在一个比较明确的定义下使用。为什么没有把所有的环节都交给AI使用呢，有两个原因。
第一个原因就是有的时候我们想迭代的目标是在不断改变的，我们不太敢让AI做出这样的决定，比如说以日内算法交易为例，如果说过于追寻我们对标一个Benchmark的绩效的话，很有可能AI会作出一些决定是我制造一些Excessive market impact，这个Market impact对于整个交易来讲，本身是有害的，但是又能同时提升我对于某一些Benchmark的绩效水平，你说迭代的方向不对吗，其实不是。
还有一方面是，A股我们认为有趣的地方是环境在不断变化，其实不管是监管的要求还是各个方面的风控需求，都是在动态变化的。而交由数据体现的话是有延迟的，因为AI最重要的是底层的数据，比如现在从监管维度看，对于申报速率、撤单率，对于全天的撤单笔数，或者对于整个是不是有拉抬打压各方面影响看的比较重，我们会把主观上对于政策的解释读赋予模型里面指导他帮助我们进行迭代。
在整个投研环节，我们是把注意力放在了如何用AI提升我们的效率上，而不是把所有的东西委托给他，比如说我们发现A股其实这个信息密度不太均匀，是在短时间内提升到一个高信息密度水平的。所以说其实整个周期里面，从底层的数据看，交易的参与者其实有所不同。
举个例子，比如2023年8月28日前后，降了印花税和没降印花税市场的参与者不太一样，比如今年2月6日前后，融券T0暂停前后，整个市场的参与者也不太一样。所以我们更多的是希望提示我们的效率，现在我们比如采取一些对抗性训练并取得了一定的成果。这样能够帮助我们在不同的市场情况下维持整个策略的高效运行。
李骧：在我们研究体系里面，我一直认为不管AI还是所谓的线性模型，其实只是一个工具，换句话说就是人为什么重要，人是使用工具的，这个工具确确实实是可以某种层面上重构也好，或者直接极大地提升研究链路里面每个模块的效率，但是没有办法，至少我们现在没有能够做到所谓的端到端，拿一个Raw data直接扔进去可以生成一个目标仓位，或者直接生成一个信号。
即使有一天能做到这类结果，其实我们也知道，其实你可能解决的是研究效力的问题，最后升成一个预测值或者生成一个Y值的话，最后如何用，还是得靠人做，换句话说其实我的定义里面，不管是在利用文本生成数据维度还是做特征工程，做更好的预测的维度，是一个工具。
包括我们现在，虽然我们论坛主要是讲AI的，但是我很坦诚地说，我们仍然有用线性的东西在做，线性的模型新算的快，假如某一些简单策略里面，我拼的不是预测准确性，或者预测占到的权重很低，所有人都能看到这个交易机会，这个时候比谁更快，就要考虑速度的维度的事情，AI的价值我个人觉得是提升整个的研究链路过程当中提升效率，但是如何用其实，就包括你引入了AI了，引入了非线性模型其实会额外产生一些参数也好，或者一些可能对结果有影响的一些小的模块。
而如何把这些小的模块调最优，这也是需要人来判断，或者人可能依赖经验做决策也好，在我们这边的话，可能我会比较明确的给AI一个定位，这个定位就是高效的工具，我们会把这个工具赋能于投研链路的各个模块，让预测变得更准确，让数据分析变得更高效，让生成因子变得更高效。起到这么一个作用。但是没有办法完完全全所谓的raw data扔进去进行交易，源源不断地产生收益了。哪怕直白点说，能够短期实现这个情况，可能还是得定期的重新训模型，这个定期频率怎么弄，当然也可以再写一个模型去拟合，但是我个人觉得，可能基于人的判断，会更好一些。所以我会把AI或者非线性模型的东西定位成一个高效工具，我不认为会完完全全取代所有的经验。
王亚民：我们也是这样的想法，刚刚朱总说的和李总说的都非常同意，在问题的定义角度上只能由人做，AI只是具体定义好这个问题之后，解决某一种工具的选择之一。但实际上我觉得问题的定义是比某种意义上的问题的具体的解决放更重要的，因为实际上在我们的金融市场上，其实是层出不穷新的问题。
怎么定义这些新的问题，比如新的参与者的进入，新的监管的规则。包括新的一些收费标准，包括新的行情的格式，我们都要适应这些东西，往往发生这种样本的同然性改变的时候，因为这些问题本身发生的改变，导致样本数据发生结构性改变的时候，也就是这个样本数据不是独立同盟部的时候，有很多基于统计学、归纳法的或者后来迭代到最近的AI大模型的这种状态的东西。
根源上跟哲学逻辑上都是归纳法，不是演绎法，基于现在一个现象，拟合一个某种函数结构，这种函数结构和线性的结构没有深层次的区别，只是这个函数结构本身拟合了我们某种不能通过简单的线性假设生成的函数。是用一些逼近的方法逼一些函数。
但是本质上是用样本梯度下降出来的结果，但是样本发生结构性的改变，要重新定义问题，引入新的变量，这个只能由人做。像武侠小说《笑傲江湖》里面风清扬和令狐冲"招式是死的，人是活的，只要你有招，一定会被破解"。其实咱们金融市场也是这个状态，是一个相互交织，相互博弈的状态，它的样本是基于博弈关系产生的新的样本，这个样本是极容易发生结构性变化。
另外，从目前的量化的解读来看，可能很多人会把量化交易跟高频交易某种意义上混淆，但是一旦量化交易进入非高频交易的时候，在越来越低频，比如预测几周、一个月或者长期的恢复问题的时候，这个情况下，样本量会极少。而且极容易发生数据的非独立同盟部的状态。结构性的改变。
这种情况下，AI的作用可能我们重新思考。所以也不是说没有用，可能更多的是用来做数据的处理或者另类数据的抓取等等。但是它的用处不是说估计一个参数量非常庞大的一个AI模型，这个样本量达不到这个要求。我们人正好在这个当中，就能够区分问题的场景，区分是否适合具体哪种AI，因为AI的模型门类特别多，把问题和工具做对应，这个是人最关键的作用，也是人演化过程当中最关键的环节，人是最关键的，因为所有算法都是人写的。
吴家麒：刚刚三位简单介绍了一下他们公司和自己怎么理解AI工具的，第二个问题是关于风险管理的，经历过2月份行情以后，投资人可能越来越关心风控的问题了。我想问一下朱总和孙总，AI工具是如何帮助我们在投资中做风险管理的，特别是类似于像刚刚经历的2月份这波，当时我们发现了很多的策略因子都失效了，阿尔法都是负的，这个时候AI工具是怎么做的？
朱郑铂：对于交易来讲，风控的定义还是比较简单的，因为从监管维度给出了很多很细的细则，比如刚刚提到的撤单率、申报速率、总申报笔数，还有就是比如不能幌骗、不能短时间内大额成交、不能拉抬打压。但是AI在这里面起到什么作用呢，其实我们在给它画了一个框，给它做好定义之后，让AI帮助我们的策略能够在高限制的条件下，做到低风险，并且能维持之前的效率，这是AI帮助我们做到的事情。我刚刚提到的不管是我们做的对抗训练或者模型之间的叠加，这些都是AI能够帮我们做的事情，风控在任何一个环境下里讲，简单的说就是你把它停掉，停这个行为不需要AI做，但是停的时候不再造成额外的伤害，或者怎么保持之前原有的额外的效率，这是需要AI协助的地方。
至于2月份的行情不管是因子还是交易策略的失效问题，我觉得原因还是因为我们A股市场的信息密度并不是很平均，不同时间的信息其实比重也不一样，权重也不一样，它的indication也不一样，我们发现有很多以前我们觉得失效的模型，在2月份是发挥效果的。或者有一些本身很有效果的模型，在2月份就很快失效。对于我们来讲，希望自己的策略有一定的鲁棒性，这里面AI也能帮助我们做一些事情，就是一个是如何在采样的时候能帮我们做一些正确的选择，把这个信息密度的不均匀性尽可能做的均匀一些，另外在模型的叠加上，或者选取上，AI还是能够起到一定正向的作用的，可以把整个策略的鲁棒性、稳定性提升更高的层次，我相信所有从事这个行业的人，现在都在这个方面投入自己的经历做这方面的研究。
孙博：我们要讨论AI在风控过程当中起的作用，首先要明确风控的工作包含哪些内容，我们这个风控的工作内容可大可小，说的最简单的一点大家可能已经比较了解了，比如讨论风格暴露的程度，像市值暴露多少，风控是紧还是松，这类为大家所熟悉的；但如果范畴再大一点，风控不仅仅包含策略方面的风控，还有交易方面的风控，包括我们的下单密度、盘中换仓时候的动态敞口的暴露、以及一些交易占比或者持仓占比比较大的股票造成的一些冲击等等这些交易方面的风控。如果从business业务角度出发，甚至有更多其他角度的风控，市场的风控、舆情的风控等等。这样来看，AI工具的应用面就很广了。
但就风控工作的本质而言，跟我们平时在做的很多诸如做一些预测、提取一些特征、做建模的工作还是有一些本质上的区别的，因为风控工作很难做的点在于针对一些尾部发生的事件的捕捉和处理。这种尾部事件发生频率非常低，但是一旦发生，对我们的市场、策略、产品的影响非常大。比如大家也看到的，今年2月份1-2周的波动、甚至1-2天的波动，可能把一年、半年的收益全丢掉了。在美国有不少对冲基金甚至常年在慢慢地亏钱，只是在等尾部的风险事件发生时，捕捉这样的交易机会，一次可能一个星期就挣回来一年或者几年的钱。但是要捕捉这样的交易机会，或者说要预防这样的交易风险，需要有另外一套独立的研究过程，因为我们面临的是不一样的问题。我们大部分的时候在预测市场的return，但市场return的分布不是正态分布，可能是尖峰肥尾的分布，对于尾部风险发生的概率以及造成的影响，远远比我们在很多数学建模上假设的模型要更高或者影响要更大。针对尾部风险做建模，不管以什么样的模式，做预测或者预备也好、告警也好，有很多风控的理念思路。但是这部分工作，首先，是针对非常小样本的事件来做的，在AI来说就是few-shot-problem，其次，对于few-shot-problem下怎么预测，在实盘中也很难检验，因为市场发生的环境也非常少，比如今年2月份发生的那种程度的波动，上次估计也就是2015-2016年，所以这是一个很大的挑战，但也是应用新的AI工具非常好的场景。
还有就是即便我们实盘中的样本数量非常小，但是针对这样的风险事件、风险场景，是否可以构建一些数据，构建数据的原因是：在假想的场景里回测我们的策略产品，看看在这样设定的特殊场景中，我们的产品、策略会有什么样的表现，有没有超出我们预期的部分，如果有的话我们如何做好预防，至少要有一个备选的B计划、C计划方案，比如是否有储备的策略等。
总之，风控的方法有很多，AI的应用场景也很多。我一直认为风控的工作应该是独立研究之外的非常重要的一个环节。
吴家麒：非常感谢两位关于AI应用的回答。第三个问题是超额收益的问题，大家都觉得量化是"黑匣子"，很多人不知道量化在赚什么样的钱。随着大家开始使用AI工具之后，好像"黑匣子"更加"黑匣子"了，更摸不到超额收益来源在哪里。
我下面有两个问题，第一个大家想了解AI投资为什么会获得超额收益，超额收益来源到底在哪里，第二个想问一下，今年市场的结构化行情和去年不一样，去年可能是刚刚孙总提到的小票风格，表现比较好，今年表现比较振荡，这种风格行情发生变化的情况下，这些AI的因子效果会不会跟传统的因子是一样的还是不一样。如果不一样的话能带来一些什么样不同的投资效果。我想就这两个关于超额收益来源的问题问一下李总、孙总。
李骧：其实这个问题我们也经常内部讨论，量化到底赚的是什么钱。我个人非常相信朴素逻辑的，像"天道酬勤"这些，我个人是非常信的。
我觉得量化略就是，我们自己举个例子我们还是做一些偏短周期的，偏外界认知偏高频的，高频凭什么赚钱，高频也有两类的策略，一类是主动平易波动的，一类是短周期里面捕捉波动的。
在平易波动的话很简单，我们提供流动性，我为这个市场提供流动性，辛辛苦苦不停挂单，就像市场没有大幅度波动的时候就赚价差，扣除各种各样的费用之后非常薄，赚钱部分到多少钱，大头全部交出去了，这是我们开玩笑说赚定价准确性的"辛苦钱"。
另外一类是刚好跟这个相反，这两类策略都赚钱，但是也有一个前提，就是有比较准确的定价，瞬时波动的过程当中，赚取波动率的钱。听起来相反，一类是平行波动的，一类是短周期捕捉波动的，为什么还都能赚钱，有一个共性，共性就是都有定价，放在一起的话，这些策略都有一个前提调价就是更准确为市场的交易标的提供定价。
包括为什么同样的尤其是偏量价类的策略，量价是结果，不是原因，可能看好AI这个产业的发展，在某段时间，买了AI的板块的一些股票，他可能是觉得最近这个股票涨的比较好我买了，但是都是买了，但是逻辑不一定一样，二级市场的决策机制非常多元化，形成一个结果就是AI股票涨了，假如在微观结构维度，我们观察是产生了买卖不平衡，想买的比想卖的多了，所以涨价，这个过程当中量化有可能捕捉到所谓量价的信号，我们明显发现同类型的量价信号在A股市场的有效性，或者信号的有效性是强于成熟市场的。
换句话说某种层面来说，可以得到这么一个结论，就是A股的定价不是那么准确，量化通过我们的技术导向的方式或者预测，我有一个更好的定价结果，所以我捕捉到了这个市场的无效性。
市场的无效性由谁贡献的呢，我个人认为是非理性交易决策者贡献的，可能是假如某一个机构，这个机构的决策者说必须要在一个小时之内买10万股茅台，他交给了下单元，下单元是非理性的在里面买，导致了这个市场的无效，短期可能会让某一个股票，加入茅台股票短期会产生一定的上升的情况，他的决策产生买卖不平衡，导致定价错误，我们可能会捕捉到这个定价的问题，获取了这个超额。
这个是我个人的观点，我们公司大部分人也是这个观点，我们有讨论过，但是这个机制太复杂了，我们得不到一个很清晰的结论。包括最稳定的策略，如果把它的交易和持仓每个信号来了之后，画一个图的话都是不定稳定的，只是看起来稳定的一些策略，也许偏短周期的，因为交易信号比较频繁。在同一天里面，它的交易信号足够有统计意义，看起来近乎每天都有正向的收益。
但如果交易所那端，看交易对手的话是非常分散的，你也不知道是谁，所以最后统计的结果就是一个非理性的决策者，或者说非理性决策者贡献了非理性的决策，导致了市场的无效定价，然后量化捕捉到了这些无效定价。
孙博：我们国内大家称之为量化，美国有另外一个名字叫Statistical Arbitrage，统计套利。既然说到统计套利，我们就先了解什么是"套利"，为什么存在"套利"。举个例子，比如美国CME交易里面有一个原油的合约叫CL，这个原油合约有单一的原油合约，也有跨月的合约，比如3、4月买一个原油合约是买3月卖4月，或者买4月卖5月。CME有一个撮合机制叫implication engine，也就是如果我单独买了3月的合约或者4月的合约，他跟这个Spread合约价格有一定关系，从Spread合约的构造结构上来说，应该清楚地看两个单独合约，Spread合约应该是他们两个之间的价差，但是这个价差是谁维护的呢，是由交易所的CME撮合引擎来负责保证这个合约的价格和3月、4月的合约价格是一致的、不会跑偏的，所以这里没有套利的机会，因为交易商撮合机制上就设计好了，对于投资者来说，不管是单独买Spread合约还是单独买3月、4月，得到的价格都是一致的，没有出现一个市场里面一种交易方式成本可能会高，另外一种交易方式成本可能会更低这样的情况。
在CME和ICE，原油合约（比如WTI）底层的对应商品一样，但是是两个不同的合约，而且是在两个不同的交易所，理论上，我们是不是认为同一个商品对应的合约价格不管在CME交易还是ICE交易应该是一样的，但实际上，交易过程当中会发现，会有微小的利差。比如某一个时间点上，可能在CME上更便宜，或者某一个时间点上在ICE上更便宜，但这些微小的利差在两个交易所之间并不能同步，因为两个交易所也是两个不同的交易引擎，那么这种价格同步的机制是通过什么来实现的呢？通过很多Market making，包括很多套利的行为。所以可见，这种套利的行为在市场上提供了更加有效的定价机制，同时也消除了不同市场与市场之间，产品与产品之间的价格差异。某个角度来说，作为投资者，如果市场是一个非常强有效的市场，可以放心在任何一个交易所买卖，比如买苹果的股票，可以在纳斯达克买，也可以在其他交易所买等等，美国有15个受全国保护的公开的交易所，能交易到的价格基本都是最优价而不是最差价。但这些价格形成机制不是天然产生的，是有很多市场的参与者在里面一起形成的，包括Market making、量化等很多的机构和资金在里面参与。
刚刚说完的是“套利”，那再说一下为什么叫“统计套利”。首先，结构性的套利一般是跨市场、品种的，或者是一些合约跨月的套利，这种收益机会是确定的，比如有非常清晰的对价、合约有一些交付的实物或者现金交付等非常明确的交付形式，两个合约本质上对等，结构上保证收益的确定性；那之所以称之为统计套利，是因为交易之后有一定概率可能实现这个，也有一定概率不会实现这个，但套利的本质是一样的，既然称之为套利，还是在提高市场定价的有效性。那提高的是什么定价的有效性呢？如果我们说我们定价是错误的、或者不说是错误的而只是效率比较低的，那是相对什么东西效率比较低呢？是相对同一支股票明天的价格比较低还是同一个行业等等？这个里面我们就在做统计套利，它涉及很多维度的问题，大家可能都会做不同的模型，可能有不同的Y、做不同的Y，可以做1D、2D、3D，甚至小时级别的都可以做。总之，在不同的维度上，大家发现有一些规律，这些规律显示有一些定价在短暂时间内或者相对其他股票有一些定价上的微小错误，所以很多的策略就是试图短暂利用定价的错误实现微小利润的积累。但是侧面来说，对于投资者提供的一个有利方面就是，投资者不管是在同一个指数里面买大票还是买小票，同一个行业里面买龙头还是跟随的公司，上午买票还是下午买票，你所面临的交易成本在某种层面上有降低，因为定价的效率在提升，你获取的价格是一个相对更加合理公平的价格。
吴家麒： 最后我还有个问题想问一下王总和曲总。未来AI有没有可能完全取代基金经理，现在可能大家看到的是量化投资，是新的投资方式出来，将来有没有可能出现其他的方法论，其他的投资方式把量化干下去，看一下两位的观点？
王亚民：我对AI能做到这点是持怀疑的态度，客观来讲这个事情还是觉得像刚刚第一个问题一样，我们觉得人是最重要的因素，我们是驾驭工具的使用的决策，可能在未来我们觉得AI在很多环节上会帮助我们做好投资，但是需要替代基因经理，这个是很难的，因为我们目前看到AI虽然现在是比较蓬勃发展，比如像ChatGPT或者各个应用场景智能驾驶等等，或者智能手机都有很多的AI的功能，让我们体验更好，但是客观来讲，目前所做的工作其实还是相对来说很难适应这种在非常不确定性的情况下，进行交互博弈的状态。
比如AI下围棋这个是OK的，阿尔法Go是OK的，比如说去打德州扑克，这些场景是OK的，但是实际上这个规则一直在变，比如我围棋突然改了规则，可笑适应这个东西，所以实际上像这种关于环境的变化怎么适应的东西，我觉得人还是有巨大优势的，我们看美国，其实在比我们更早的几十年已经有量化基金出来，目前为止，其实美国最成功的基金像桥水等等，也没有完全进化成纯量化的一个状态。甚至都没有进化成一个纯量化的状态。
因为量化又是比AI灵活的，AI其实是一个量化中的子集，现在像很多的美国进化了30-40年的对冲基金这个也要看策略，可能提到更偏高频更倾向AI化，如果是涉及到，因为高频只是投资领域的一个非常局限的一个模块，我们也有中频、低频率，甚至做宏观对冲几年做一个方向的，这种投资门类的话，很难AI替代基因经理的工作，这个才是可能从大的投资角度来说，可能这个才是咱们投资领域的主体。
另外一个点是我们刚谈到一些价格发现的问题，这个市场赚的什么钱，我们觉得AI是在一个信息传导过程当中，确实能够加速这个定价过程。因为刚刚我们提到不管是李总还是孙总，我们量化做的事情本质上是再去提供一个准确的定价，这个非常准确，但是这个过程当中，AI能够帮助我们做什么事情，就是我们能够更加准确的进行定价，因为我们AI的巨大优势在于能够整合庞大的信息维度，能够整合巨量的数据，整合庞大的信息维度，能够打破原来统计学高维的问题，一个股票的价格跟什么有关，现在是相关的变量非常多，相关的所要考虑的问题，以及这些问题这些变量怎么去产生最后的定价，这个过程越来越复杂，之所以说可能很多美国的散户，最终会退出的原因，因为人脑不具有计算那么多信息维度，搜集那么多信息维度的客观能力的，人也不是主要干这个事的，如果信息维度达到1000个以上，这个人是不可能驾驭的，他其实是在加速这个市场的一些定价的过程当中，会提供一些功能，但是中长期的问题上，还是会暂时由人主导。
曲一平：我也非常认可王总的观点，上世纪有一个理论，叫"随机漫步"的理论，这个理论有两点在过去的几十年金融实践中，是有值得商榷的地方：
首先它认为所有的市场信息都会立刻反映出新闻、政治事件带来的潜在影响，应人是没有办法预测突发性的事件，也没有办法做相应的突发决策。
现实角度来讲，我们有充足的时间对于很多交易逻辑，通过逻辑推演作出更长远的决策。
比如2022年2月份俄乌冲突爆发之后，新能源整个板块在当年5-7月份呈现了一波非常猛烈的超过60%的上涨，它潜在的逻辑实际上基于这场地缘政治冲突后续逻辑推演：欧盟对于俄罗斯原油的全面制裁，造成全球布伦特原油涨到130美元/桶以上，后续欧洲的天然气的价格涨了4倍，带动欧洲电价涨了2倍，欧盟后续推动《REpowerEU》计划在2030年可再生能源的总体目标从40%提高到45%，造成2022年欧盟对外的光伏、储能采购需求都翻倍，而带动了国内的新能源板块的风、光、储赛道上行。这个逻辑链条推演整整有3个月的时间进行预测，所以说人的因素在长周期投资交易中还是不可或缺的。
"随机漫步"还有一点是认为历史不会重演。至少A股的时间来讲，历史一直在重演，我们从最简单的全A指数（除金融石化）夏普比率和52周滚动平均收益率这两个最简单的指标，只要拉出最低的3%分位的日期，就是过去20年几个核心底：分别是2005年的7-10月份，2008年10-12月份，2012年12月份，2016年1月份，2018年的11-12月份。这样的历史重演的逻辑，结合了逻辑推演、股债轮动，中国经济轮动周期进行。
我们还说到，目前量化能不能取代基因经理的问题，我认为从西方实践来讲很难快速做到。
美国量化基金发展状态看的话，美国量化基金目前也是占据了整个市场将近10%的份额，但是也没有取代掉多头基金和对冲基金，三者是"三足鼎立"的状态，经过彭博的计算，目前美国市场有75%的交易实际上都采用了智能算法，也就是AI量化实际上在大部分资产管理过程中都提供了一定工具属性，比如ETF当中Smart Beta ETF出现也是AI的在传统ETF领域的实践。
对于传统的多头管理，人的决策也更是不可替代，美国核心的30大资产的管理公司，管理总资产规模超过8万亿美元，包括惠信、美国资产等等，主要产品管理规模突破1000亿美元，通过多基金经理共同管理的模式来进行维护，整个投研架构相对扁平化，产品可以容纳更多的观点、覆盖更多的股票，产品的广度使其在不同的市场环境中都能有相对均衡的表现，在子组合的考核上，鼓励关注长期收益，考核标准包含1年、3年、5年、8年的税前总收益，且区间越长权重越高。针对基金经理，考核基准主要是与投资范围匹配的市场指数、同类产品业绩。
再说对冲基金，美国10大对冲基金经理中，只有一位是纯粹从量化出身，也就是文艺复兴量化基金的詹姆斯·西蒙斯，其他的大部分对冲基金还是从传统的一级市场、二级市场相结合的投资维度进行对冲投资。
例如保罗辛格旗下的艾略特资产管理公司收购企业的不良债务，例如2008年雷曼兄弟倒闭后买入大量违约资产，艾略特从90年代开始通过艾略特旗下的其他子公司对主权国家的不良债务进行投资，比如秘鲁、阿根廷违约债务。
例如卡尔.伊坎旗下Icahn Enterprises大量借入现金流来买入那些被低估、但基本面仍然稳健的企业股票，争取对企业的控制权，通过说服企业管理层进行破产清算或将公司出售给非敌意企业、争夺企业代理权、进行股权收购、将股份高价卖还给目标收购企业等途径，来榨取巨额利润。如1988年的环球航空公司拿下了绝对控制权。随后，他重组了TWA管理层，自己任董事会主席，靠着投资人和管理者的双重身份，伊坎在1988年完成了公司的私有化，并先后将几条最赚钱的航空线卖给了竞争对手。
最终我的观点是：未来人的智慧和AI的结合，将呈现百舸争流、共同进步、良性竞争的发展态势。
吴家麒：量化对于大家来说一直都特别神秘，今天通过这次圆桌，特别感谢几位老总分享了他们自己对于量化、AI的观点，我希望通过今天的圆桌让大家揭开一点量化神秘的面纱，也祝愿大家在未来的投资过程中，投资顺利，谢谢大家！
别忘了点一下「在看」
