本文来自格隆汇专栏：六里投资报

近日，九坤投资创始合伙人兼CEO 王琛在一场论坛上，分享了自己在量化投资发展历程中的感触。

九坤投资是国内较早成立的量化投资机构，曾被誉为“量化四大天王”之一，管理规模也较早突破百亿。

王琛表示，中国的量化投资得益于中国资本市场的多元化发展，在过去十几年取得了长足的进展，包括人工智能等在内的新技术的迭代与应用为量化发展起到了很大的推进作用。

但从投资理念与方法上来讲，量化和传统的价值投资之间不完全相同，因此要得到大家的理解和接受也需要一个过程。

从投资的角度来说，过去几年量化行业确实为投资人创造了不错的收益。

但当所有人都理解和接受量化之后，投资的回报率可能也会下降，从三四年前的高超额收益回归到正常和理性的水平。

结合人工智能在量化中的应用，王琛也表示，量化行业是一个需要不断探索新鲜事物的行业。

以大模型在量化行业的应用为例，它对于量化团队的要求不亚于一个科技企业在垂直应用方面所做的努力。

所以对于量化来说，就是在不断地面对新的挑战。

从高超额回归理性水平

是量化正常发展的过程

问：能不能结合自己的工作，给大家介绍一下，量化目前到底发展到一个什么样的程度？

王琛：我记得，最早是在 2017 年的时候来参加金融峰会的活动，从2017 年到现在，整个量化行业在中国的发展经历了巨大的变化。

作为一家成立于2012年的公司，我们已经有十几年的历史了，所以我对量化行业的发展，以及中国量化发展的特点有着深刻的感触。

我们在国内做的量化，在过去十多年主要以中国市场的量化为主，但我自己的经验，之前也在美国的量化机构工作过，并做过相关的投资研究工作。

我认为，中国的量化发展具有很大的特色，与海外的量化有所不同。

首先，中国量化得益于过去十几年整个行业的开放度，以及市场的多元化和生态的发展。

随着技术应用、数字化，以及包括人工智能在内的新技术的持续迭代和发挥，这些在量化领域起到了很大的推动作用。

第二个，主要来自于整个中国市场的财富管理。

从大约2018年、2019年开始，无论是公募基金还是私募基金，包括量化，规模最大的增长都来自于这段时间。

这是中国大资管时代，所谓时代的红利。

另外，从投资角度来看，量化行业过去几年可以说是毁誉参半。

从投资人的角度来说，量化行业为投资人创造了不错的投资收益。

然而，由于量化行业本身的技术特征，

它的投资理念、方法和逻辑与传统的价值投资理念或基本面投资方法并不完全相同，所以大家对它的理解和接受需要有一个过程。

我觉得这很自然，因为所有的新技术、新事物，尤其是在资本市场和投资领域的新东西，都需要大家逐渐接受和适应。

但是投资就是这样，当所有人都理解和接受之后，投资的回报率可能也会下降。

就像过去几年量化市场的投资一样，从三四年前的高超额收益已经逐渐回归到比较正常和理性的状态，这也是量化行业正常发展的过程。

量化人才的三大能力

人员智力密度要求非常高

‍

问：您也是从清华毕业的学生，今天刚好坐在这，从您的角度谈一谈，我们的同学需要具备什么样的素质，您又需要什么样的人才？

王琛：现在整个量化行业对于人才的渴求和竞争，已经达到了白热化的程度。

这种情况不仅在中国存在，在美国，量化与最先进的科技公司之间的人才竞争也从未停止过。

我在美国见过很多这样的技术人才，他们在经济周期中经常在量化和硅谷之间切换。

当股票市场表现良好时，大厂的股价都很高，大家会去硅谷；

而当股价不好时，硅谷裁员，他们可能会选择量化。

有时甚至在整个市场都不好的时候，量化行业在某些年份，尤其是前几年业绩表现出色，吸引了很多人优先选择量化。

这中间人才的切换是不计其数的。

前段时间，我正好见到了邓力先生，他是微软的前人工智能实验室首席科学家，也是美国非常大的对冲基金Citadel的首席人工智能官。

我们聊了一下关于人工智能在量化领域的发展，以及人才在其中的作用。

我觉得国内和国外的情况其实是类似的，

对于量化这样技术密集型的企业来说，它甚至可能比大家认知中的传统互联网公司的技术要求、竞争和技术迭代要求更高。

因为量化领域不需要像互联网公司那样庞大的规模，可能只需要几百人，甚至在海外可能只有上千人的规模。

最终，对于人才的智力密度要求是非常高的。

也就是说，进入量化领域的人在同等的技术要求下，一定是最出类拔萃的，并不是所有人在量化领域都能找到自己的合适的位置的。

并不是所有人都适合量化，也不是所有人都应该来量化。

因为还有很多其他行业和技术方向值得大家去探索。

量化需要发掘

前人没有发现的规律

但是从量化领域招聘人才的角度来看，我认为，有潜质的人才可能具备以下三个特点：

首先，需要具备非常强的科研能力，最好是顶级的科研能力。

因为我们量化本身，比如我本人就是Quant出身，就是做量化研究员出身的。

对于Quant来说，很多的策略研究工作都需要进行高质量的实验和深入的研究洞察力，

以发掘前人没有发现的规律，它和同学们在应用科学中研究面对的环境都是一样的。

它需要我们发掘出一些前人没有发现的规律，只有这些别人没有发现的规律，才是最有adding value的。

而对于量化来说，只有具有adding value的规律才是有边际效用的。

所以，这是量化行业之所以要求研究能力很强的原因。

第二点，我认为需要具备强大的工程和动手能力。

量化的策略可以是天马行空的，

但要将它们实现为实际代码和工程体系时，不管是大公司还是小的量化team，都需要高效的执行能力和直接的操作能力。

像前几年，可能中国的量化团队早期在人员配置上，只有几个人就把代码写了，把很多工作给做了。

但当量化team到达一定的规模之后，它对于技术体系的要求、规范性的要求、风险控制的要求等等都会进一步的提升。

所以在这方面的动手能力、工程能力的要求也在显著的提升。

而且，在一个很大的team 里面，大家如何去协作，如何去提升协同的效率，也是要有很多工程化和系统化的能力才可以。

所以，我觉得工程能力、动手能力、执行能力这个是要求很高的。

量化在它的生命周期中

一直在持续面对新的挑战

第三，需要具备持续学习的能力。

量化行业是不断使用新的技术和研究成果来赋能投资，因此在这个过程中，我们永远都需要面对新技术和新挑战。

即使我们自己不做，竞争对手和其他行业人士也会利用新技术提升投资方法和能力。

所以对于量化来说，对这些方面的学习是持之以恒的。

对于量化来说，我们学习新的技术，它不仅仅是学习知识，还要真地把它应用，这个其实难度更高。

而且对于真正在一线做开发、做研究的同事来说，他们真的要做的时候，他是要把这个应用到极致的。

甚至于说，比如你把量化作为一个垂直应用的话，这个垂直应用如何做到极致也是有很多细节要抠的。

所以，大模型在量化领域的应用，说起来是很简单，但要用好、做好，真地要做很多的工作。

比如你用大模型做一个研究工作，

虽然大模型它可能是开源的，但你在做研究的时候，你要做的实验的次数，你要花的代价，你的算力如何去协调，你的数据如何去清洗。

这些工作其实不亚于任何一个技术公司在做垂直领域时要做的那些工作。

所以，对于量化来说就是在不断面对新的挑战，量化在它的生命周期里面一直在做这件事。