“我们现在对于数据的利用充分了吗？”

“另类数据的核心点在哪？”

“量化是追求绝对正确还是模糊正确？”

“衍生品是否更加危险，你怎么看，在害怕什么？”

“我们是否应该为投资的过程道歉？”

在海量的数据中寻找模糊的正确，在模糊的正确中结合市场与概率寻找投资机会，量化投资并非一场豪赌，而是旷日持久地研究苦修。

在这场苦修中，国泰君安期货资管部量化投研团队韩雪在设问，也在自答。她感觉“被骗”入行，但也在所有赛道中挑选了个最难的，尝试从长期的视角中，形成自己的技术壁垒，在量化市场与国际不断接轨的现在，寻找到自己在投资领域的一席之地。

01 “我们现在对于数据的利用充分了吗？”

“我们现在对于数据的利用充分了吗？”在开启交流之后不久，韩雪反问编写组。

韩雪，先后供职于国内高频私募，海外基金公司策略总监，国泰君安期货投资经理，放弃了高薪和稳定的生活，她选择挑战内卷和梦想，现主要从事期权投资，虽然不到30岁的年纪，但是全程一手搭建了公司期权投研数据监测屏，特色数据库，期权本地化高频回测平台等。

“大家对数据信息的挖掘程度是有过程的。”编写组对于受访者“反客为主”有点意外，但还是答道。

从传统财务数据、交易类日频数据到高频数据、另类数据，行业不断由浅入深，而这是必经的过程。拿新闻舆情来说，传统上是对每个新闻打一个情感得分，乐观还是悲观，然后做成0与1的二元变量，但这种处理粗糙，吞噬了背后隐藏的巨大信息。

随后业界采用自然语言处理模型，分析里面每一句话的情感，就得到一个更精细的连续0-1指标，也会有人观察同一个分析师，对同股票时间顺序上的判断，以此从时序上面挖掘信息。

而就韩雪看来，随着自然语言处理技术的发展，包括Attention，Transformer等技术的出现，文本分析的标签可以更具体更精确，可以提取的信息就能更加多样化，而不是单一的情感判定。传统财务、规则数据已经不算是增量数据，因为数据类型只有这么多，而这也正是造成行业内卷的原因之一，因为规则性的数据并没有扩张，大家永远在这几类数据当中挖掘，每个人拿到的数据也是一样的，所以量化只能越做越窄，越做越细， 从分钟到Tick再到逐笔。

当然，在这个过程中，每个人对于数据的理解也是不同的。“拿隐含波动率来说，这并不是一个新词，但是隐含波动率的计算方法千变万化，这个背后的原因是什么？因为这是一个推断性的公式，Black-Scholes这个男人真的是非常伟大，但又非常不'要脸'！因为公式里充满了各种各样的假设，股票价格服从对数正态分布，股票价格要符合几何布朗运动。”

她认为：接下来增量数据的爆发来自于另类数据，但是另类数据又会面临：1、数据源是很难确定的；2、干净稳定的数据昂贵；3、隐私边界。4、非结构化数据体量很大，难以预测即将产生多少回报。5、数据要入乡随俗，还要涉及语言构造的问题。

“所以，我想一下另类数据核心点在哪？”韩雪又问编写组，这个并不在提纲当中的问题。

“在于存储。这是数据未来的一个难题，在未来5~10年一定会遇见。”

3、4年前，她能买到的芯片价值2-3千块，2022年1月价格逼近2万，原因正是在于大量机构需要对数据进行组合、清洗、整理。接下来随着量化发展的过程中，硬盘的价格也经历了大涨之后，大型机构会拥有自己的数据中心，而其他机构可能会共享数据，常见量价规则类数据已经有成熟的厂商，但是另类异构数据供应鲜少。在增量数据发展过程当中，算力还将继续扩张，从多线程跑满到GPU，会变得更加高效且弹性，实现更方便的隔离，在更轻量的docker，学习互联网大厂如何应对数据冲击的kubernetes弹性计算方式，不仅能优化分配资源，同时能实现语言之间的跨境。

02 “量化是绝对正确还是模糊正确？”

“数据、算法、算力，对于量化而言，我们到底是在追求绝对的正确，还是模糊的正确？”韩雪问编写组,也在为这个职业设问。

她是一个理想主义者，尝试在模糊当中追求一个完美的正确。她在海外修完双硕士，中途跳级，在美国工作一年之后回到国内，选择人少的衍生品高频切入市场。

“Black-Scholes为什么做一个推断性公式？你会发现每个模糊的过程当中会有各种各样的可能性，所以这才是比较有趣的点。”韩雪要求自己在每一个算法上都要更努力点，做到最好，但是后来发现做到最好没有用，因为可能每个方面上都是一种模糊的正确，然后在模糊的正确当中先跑起来再说。

她选择衍生品这个赛道，正是源于这个赛道门槛更高：“因为衍生品因为很多人觉得它结构复杂，挣钱不如股票，开始时需要很多的积淀，后续还要投入大量人力物力、财力算力进去。但它不会与大家拥挤，能减少一些别人对我的影响。”

她并不讳言，自己加入行业是因想要“印钞机”。13世纪时候诞生了“亨内考魔轮”，它让科学家做起了“永动机”的梦，科学家们幻想，一旦永动机诞生，人类将产生源源不断的能源，于是科学家一直试图复刻“亨内考魔轮”，却都惨遭失败，然而无数的失败却没有打消科学家们的热情，反而对永动机的探索愈加狂热。

但即便是印钞机也得不断精进与迭代。同时，她认为不是自己选择量化，而是主动投资没有选择自己。“我不太看得懂人说话，无法从公告多变的”话术“中判断是涨还是跌，但趋势是非常肉眼可见的，能做概率统计,然后用大数定律去胜了它就可以了。”

“如果量化交易是基于大数原理和概率优势的，在目前交易样本体量下的话，它究竟算是一个安慰剂，还是真的有效呢？”调研组问道。

“投资看10年，那绝对就是有效的。”量化总被认为是看短做短，韩雪做高频，但是她却认为她看的是10年。“海内外投资差别比较大，国外认为投资是对于一种未来的认知，他们办年会，但我们出周报、出月、报出季报，投资周期看得很短，甚至短到每日都要报告。如果收益率下降要不要道歉？我们不存在道不道歉，永远是市场正确，没有对错的东西，为什么要道歉？因为这就是个投资的一个过程，永远前进的过程，我们不应对一个过程道歉？失败乃成功之母，应该看更长远，我们只是在做时间的朋友，共同投资的陪伴者。”

当然，韩雪也遭遇过回撤，第一次遭遇大幅回撤是在她的学生时代。“寒假某一天，我个人账户上亏了有几十万，不太开心，达到了总资产的近一半以上，我表示有点慌，所以我一直在盯着盘，像一个热锅上的蚂蚁。”这个时候，韩雪的父亲过来问怎么了。

“亏钱了，”想了想，她想：“爸爸你会骂我吗？”在韩雪看来，这是很多年轻的投资人、交易员都会遇到一个问题：关心其他人怎么看我。

父亲的回答不是“父母有钱”，或者“投资很危险的，你不该参与”。而是“这个是你自己的账户，你该自己管理。”这对她的投资观做了一个很好的开端：每一个投资人都会遭遇回撤，都应有自己的办法去疏解，不要去在乎别人的看法和眼光，可以哭，可以发泄，就像阮籍穷途，但只要对账户负责，去反思，去复盘，加强风控还是逻辑错误赶快止损，都是该做的下一步举动了。

03 “衍生品更危险你怎么看？”

韩雪的工作是构建上千个衍生品组合，在其间寻找机会。在她看来，期权最大的优势在于杠杆，但危险的也可能是杠杆，它是解药也是毒药。投资人要选择在什么样的胜率下玩，做合理的仓位控制能让游戏一直玩下去，这个是非常关键的，不要在某一次失败中就彻底下线了。

而股票给韩雪最大的感受多样性，“4000多家企业4000多个面，有它的通用之处，也有特性之处。有个词叫一致预期，我觉得这个词非常有意思，你是想让市场达成一致预期，还是不想市场达成一致预期？”

她不想跟别人达成一致预期，她更愿意做独特的投资。克劳修斯提出了热力学第二定律，在自然过程中，一个孤立系统的总混乱度不会减小。简而言之就是孤立系统的熵永不自动减少，熵在可逆过程中不变，在不可逆过程中增加，可以说非常鲜明地指出了不可逆过程的进行方向，独立思考如何打造自己的投资逻辑闭环。

“我就愿意在市场底下被砸得很深的时候，蛰伏，等待一个确定性极强的结果，'啪'抬起来的那一瞬间，那不仅仅是非常漂亮的一个曲线，更是市场对于你投资理念的共鸣。”

所以她认为自己很适合做衍生品，衍生品自带杠杆，会让投资人产生敬畏之心，需要更加谨慎的过程当中，像价值投资一样，要花很多的时间研究，埋伏。

“你在害怕什么？害怕的是不知道，不清楚，不了解，而不是明天会不会变，答案是一定会变的。”对这个市场，杠杆，技术，新的品种永远充满敬畏和期待。在她看来，很难说在这个市场中成为”成熟”的投资经理，因为没有完美的公式，所以也不存在真正的成熟，资深如巴菲特也难以预料到经历了80年的美股，会连遇4次熔断。

所以这个市场需要风控，业界通用的就是希腊字母控制，这个是表征，但如果投资经理对策略了解足够透彻，而风险更多是通过衍生品的构造机理去控制风险，很多风控是不必要加的，加了反而会影响交易速度，所以她认为真正的风控是在了解原理之后。

另外一个比较通用的角度就是对市场预判的风控，也就是行情风控，第二是操作失误风控，也就是交易流程规范。前者需要对市场有一个大致回归的预判，可以设一个最大的回归限制。而对于后者，其实量化就是来减少操作失误，情绪化的失误，疲累的失误。但是操作失误是机器永远难以避免不了的，可能某一个接口出了问题，不要去害怕失误，因为只有一个标准的答案，那就是多测试，定期测试，发现bug，然后debugo

“还有投资人会觉得期权危险，所以你们怎么看？“韩雪问道。

04 量化行业缺“傻子”

“量化交易还需引进更多算法，这个行业从来不缺聪明人，缺的是“傻子”，把它当作创业。”韩雪认为机构不应该通过面试或访谈套策略，大家都是聪明人，这个举动会损耗的是人才对于公司的信任度和口碑。但她乐意同业界进行交流，包括算法、异构数据等，以此对抗熵增，并且获得及时反馈共同进步。“我会去思考要达成什么样的目的，然后再反推用什么样的算法更好，有时候与大家交流的时候会遇到一些业界一直想尝试, 但没有用到过的，谁也不想当第一个吃螃蟹的人，也许效能不是很好，这个探索过程周期会比较长，中间就被砍掉都会有。但失败就是成功之母，虽然我们都不爱失败，就像我们不喜欢bug一样，但debug是必经之路。”

她坚定地认为当前算法还需要创新，随着数据的细腻度颗粒度要求越来越高，业界就不能再采取简单而粗暴的算法了，但是大家很久没有听到很新的算法诞生。不禁感叹，业界苦新算法久矣，新招的实习生，或者年轻员工，除了拿来就去做常规的挖因子，应该充分调动他们的好奇心和创造力这是很遗憾的，大家沿着比较常规的东西一直在做，而这也就是造成行业内卷的原因之一。比如各种回归，遗传算法、神经网络等，不管有模型还是没模型的，大家还是需要再开拓思维，比如近期我在关注区块链技术应用到金融领域，通过共同节点去认证，系统性地解决信任问题，可以轻松让交易记录不被篡改，但也会遇到极少数尾部冲突的情况。

海外量化布局中国，也是国内量化从业者所面临的挑战。

“海外大型量化机构比如文艺复兴等对于未来的布局当中，我认为一定包含进入中国，因为资金都会往高Alpha的新兴市场走去，所以未来3-5年将会全面铺开。”她认为这对于内资量化人来说，是一种无形的压力,要靠自身去打破，师夷长技以制夷。“海外机构当前在追求超高收益的阶段，并不是追求规模收益，他们对资金有很高要求，暂时并不着急扩张，所以百亿私募的对手是海外机构而非其他百亿机构，因为当这些海外机构想要扩张的时候，市场号召力将会非常强，国内百亿量化规模优势也就不再存在

当然，是压力也会促进学习。在韩雪看来，外资投研十分扎实，比如外资机构会测量土壤的温度，会跟某些调研机构合作，这些看似很遥远的信息，就是异类数据的增量，与市场息息相关。“她并不认为海外机构一定叫做领先，因为国内从业者也有同样的潜力，但海外用了一种更开放的思维，比如把行为经济学、心理学迁移进入投资领域，再用不同的方式来解决问题，而国内很多时候喜欢追热点。”而且，量化的技术不仅体现在策略，还体现在工程比如很多硬件设备并非国产，而当前很多人工智能论文也是海外发表比较多，不能说我们没有课代表，但平均分而言，我觉得中国量化还处于一个尴尬的位置，但需要有无问东西，去追赶，去敢为人先的状态。”所以韩雪非常支持机构购买算力，去研究超算，量子计算机，去建自己的有效的基本面数据库，这一步中国是一定要跨出去的，要做别人没有做过的事情，即使失败，即使回撤，也是值得。