快捷导航 
时间：2024-02-27 23:04:26来源：新媒体
司维：规模是业绩最大的敌人，这个是永远正确的，但是它对于不同的策略会有不一样的效果。对于一些交易频率比较高的策略，它的容量上限一般来说会比较小，这个时候它的管理规模对于业绩的影响就会比较明显。
如果说是一个相对交易频率比较低，持仓分散度非常高，能够整体上使每一个标的的持仓占比比较低的策略，其策略容量相对会高一些，特别是像一些高度分散的中低频的策略。但是所谓的高也是有一个限度的，一般期货可能是几十亿，对于股票来说可能是几百亿的上限，它很难去突破这样子的资金本身的约束。
对于容量来说，我们究竟到均成的思考方式，我们对于规模的募集是比较克制的，所以我们对于这种规模大小影响业绩的情况是相对比较审慎的。
这里面还涉及到另外一个可能跟规模本身不直接相关，但是又间接相关的现象。大家会发现在一个产品表现比较好的时候，有大量的资金进来，这个时候这个产品它可能后续的表现就相对会变差了，这就是大家经常看到这种资金集中且人多的地方就不太赚钱的现象，也或者叫做产品赚钱，但是投资人不赚钱的规律。我们为了改善这种情况，会主动管理产品本身的募集速度，同时在产品本身的设计上，当产品比较热，投资人都比较认可，希望能够投进来的资金比较多的时候，会通过调整产品的一些结构，如设立一个更长的封闭期之类的一些方式，去试图让投资人在这个产品上最终仍然是赚钱的。当这个产品相对募集比较低迷，市场上比较冷清，关注度比较低的时候，我们会更用一些相对比较灵活的产品设计条款来吸引更多的投资人去投到我们的产品，去平缓本身的产品或者策略类型的周期。
4、均成资产司维：CTA策略相对独立于股票市场行情
提问：关于人工智能在量化里的应用，您怎么看？
司维：人工智能是一个比较宽泛的话题，这个技术出现也有可能40年的时间了，应该是1980年的时候开始出现人工神经网络这样一些技术，当时也火了一段时间，但是后面由于计算机的计算能力限制，大家发现它处理各种问题的能力比较差。
后来随着计算机技术的不断发展，到了近期大概是2000至2010年左右又开始出现逐步兴起的状态。随着相关技术的不断发展，它在投资领域的应用我们也看到了很多机会，但是我们从实操的角度看，完全自动化决策还不成熟。
比如我把数据全输入到计算机里去，让计算机自动做投资决策的投资模式，相对仍然不是特别成熟，金融市场的数据不足以支撑全自动化的人工智能的决策体系。
所以我们采取的思路或者是模式，是要依托于我们人对于市场的理解。我们在基于对市场的理解和观察的现象之后，再利用这些机器学习人工智能工具，去做一些精细化的特征捕捉，这样就大大缩减了模型机器学习对于数据的需求。
在这种有比较多对市场理解的约束条件前提下，再去使用这种机器学习的工具，对我们整个量化模型的构建是有比较大的帮助的，这是我们的使用方法方式。
提问：在行情比较极端的时候，CTA的策略相较于股市可能会好一点，CTA策略的产品在配置上有什么讲究吗？
司维：CTA策略它可能很多投资人不是特别熟悉，相对它是利用期货市场去进行交易，获得收益的一类策略。首先它相对于大家可能比较熟的股票类策略有一个天然的优势，它所依赖的市场环境相对比较独立。
股票这边可能暴跌的时候，期货市场不一定是跌的，甚至有可能是涨的。期货市场这边发生一些比较大的涨跌波动的时候，股票市场可能并没有什么特别大的波动。
在这样低相关的市场环境下，在不同的市场里面都有一些资产组合，对于投资人整体的投资组合的表现会有一个比较好的帮助，这就是 CTA策略和股票类策略的低相关的比较大的价值。
