詹嘉林（以下简称JL） 聚宽投资产品负责人
01
投研体系是如何运行的？
流水线+任务制
JL：我们现在的投研流程有两个关键词，第一个关键词是流水线，第二个关键词是任务制。
流水线跟行业内很多同行相似，第一步在特征的开发、因子的提取上，然后是对因子的组合，这里面会运用到大量的机器学习的算法，然后是组合优化，后面还有交易执行。
在因子的挖掘上面，基本上各个部门都会涉及，偏不同的周期。再往下游会有AI 的模块。投研一部、二部、三部现在基本上都有做AI的同学，他们会去做相应的算法模型，以及信号优化。后面的风险控制，投研负责人高斯蒙也会参与很多，基本上是高总带着团队在一起做。
流水线的核心是找到大的GAP
JL：流水线的核心问题是要对收益和风险进行拆解，收益和风险的认知越深入，就可以拆解的越清晰。
高斯蒙很重要的一个工作就是，他会参与到投研的每个环节讨论Gap在哪？投研的提升方向要瞄准那些提升概率比较大的地方。通过流水线把问题拆解出来，每一个模块的目标就确定了。
任务制聚焦长期研究课题
JL：另一方面，投研的任务制也越来越明显，我们需要考虑一些更长期的研究方向，以及从公司层面需要突破的一些研究任务。
比如某一方面的认知提升，是可以复用到其他环节的，它有点像科研项目的一些重点课题。我觉得这两个是比较关键的。
02
投研体系是如何调度与协同的？
深入沟通+灵活调度
JL：因为研究员的精力是公司非常重要的资源，所以投研同事的投入方向，以及他们的研究方法基本上都要跟高斯蒙确认。必须保证研究员聚焦在一些大概率能做出较大增量的方向去投入。
这就涉及到，在具体的投研方法上是否能大概率出成果，公司之前是否已经尝试过，或者说还需不需要给一些支撑，这些都需要进行深入沟通，这也是很重要的一项工作。
高斯蒙的工作是比较灵活机动的。特别是流水线越往后的部分，比如说组合优化，这部分工作需要非常全面的信息，也需要非常强的协调，是很机动灵活的。哪一块的优先级比较高，他会马上迁移过去，协调相关的东西。
标准化交互界面 提高协同效率
JL：为什么要花很多时间去思考怎么拆？我们是希望能提升投研的整体效率。
我举个例子，以前的衔接方式，做因子开发的同学，他的因子往下游走，做信号的同学会去抽取，可能下游的同学发现新的因子在你那里很有效，但到我这怎么感觉一般？是不是这个代码有问题，是不是我调取它的方式有问题？等等的问题可能都出现了。这种频繁的交互，协同效率就会越来越低。
我们当时想解决的问题，就是研究人员有一个想法以后，我们希望这个想法能更快的被验证，他的东西产出以后，下游的人可以给他一个比较标准的交互界面。
2022年上线分布式因子计算平台
JL：因此从2022年就开始做一个事，我们开始做公司的分布式因子计算平台，通过一套更标准、更好的分工流水线、强大的IT系统来实现人和人更少的交互，上游和下游的交互变得越来越简单。研究人员可以更加专注于把某一个具体的环节搞定。
03
如何进行风险控制？
JL：每个赛道对于风险控制的方法手段会存在一些差异，在Alpha（股票多头）这一块的话，以指数增强为例，首先是要对齐我所跟踪的指数的一些特征，这些特征是行业比较主流的，聚宽也在用的。
控制风格暴露在合理范围
JL：比如说中证500指数，它在风格上的一些特征，是可以计算出来的。
那我们控制什么呢？我们的控制就是，我也构建了一个投资组合，一篮子股票。我这一篮子股票，它在我刚才讲到的这些维度上，尽量要和它保持在一个不能偏差太大的维度，我们认为，当我们把这个维度控制的比较细一点以后，我跟它的偏离是相对可控的，风险也是相对可控的。
除此之外，还要考虑一些其他因素，比如流动性，比如交易成本，比如参与度，以及在交易过程中，规模相对较大以后，还需要避免在交易执行环节触发一些异常交易的情况
作为一个私募产品，会会有合约上一些限制，比如持有的板块集中度等等，它相对比较多样性，各个模块都会涉及到。
我简单讲讲当前聚宽在各个指增线条上的风险控制。基本上聚宽的300、500、1000或者2000，包括全市场指增，它基本上是同一套大模型出来的，它们有共性的部分：
行业偏离度我们都是控制在申万一级的±5%；
风格偏离度我们基本上控制在0.5个标准差以内；
这里面有一个细节，就是我们在市值上的控制，如果按照行业主流的计算方法，以全市场的标准差来算，我们基本上控制在0.2个标准差以内；
还有就是个股集中度的控制，除了300指增以外，其他指数增强产品的个股集中度目前都不高于5‰，300指增会相对高一点，大概在2%以内。
同时还会做一些黑白名单的控制，以上都是风险约束方面的一些要求。
22年之后 持续加强风险认知和刻画能力
JL：其实在2021年那一波回撤之前，大家对于自己的模型或者风险控制的认知还是比较乐观的。经过一波行业回撤之后，我们就在反思，到底哪里出了问题？
首先是预测模型，对股票本身的看法，哪些股票接下来会涨，哪些股票接下来会跌，这方面是否出了问题？第二个，是不是我的风险模型没控住风险？这两个部分我们都会去讨论。
先抛开预测端不讲，只考虑风险端，我们发现整个行业都面临这样的回撤，所以说是一些共性的东西出了问题——回撤大是不是哪块偏差没控住，导致了一些亏损？
我们当时去调风控模型，会发现你把它收得再紧一些，有帮助，但好像没有解决根本的问题。所以说很可能是对于有些风险低估了，或者说没有办法很好的去进行刻画。
在21年那一波行业回撤以后，大家都意识到这个问题，也都尝试过要怎么去控，在历史上能不能把它控住？大家也都开始做一些定制化、个性化的模型，试图更好的去对模型的风控维度进行升级。
23年8月 风控模型加入自研因子并持续迭代
JL：过程中有一个明显的感知，就是去控一些风险以后，我们发现对于收益的影响是非常之大的，同时也没有办法很好的去解决我们历史遇到的问题，一直到23年8月，我们在风险控制环节有一个比较大的突破，有几个新的自研的风格因子加入了聚宽的风控体系。
但是说实话风格因子的开发其实是相对较难的，在这个过程中我们就形成了一套对于风格因子的评价、开发的方法认知，形成以后就开始持续的迭代。
我们对风险控制本身的认知是在持续的迭代的。以前的认知从实践上看，会发现你控住风险以后，收益也在下降，风险和收益就变成一种选择。
现在我们认为风险控制其实某种意义上也是在避免一些拥挤，如果你能比较好的去避免拥挤，理论上讲，它对收益的影响是相对有限的，甚至是没有影响。
所以本质上我们还是围绕这些问题在研究：挣什么钱，风险是什么，风险在怎样变化，在这个过程中不断形成并加入自己新的认知。
量化投资很多时候都是在解决一个既简单又复杂的问题，这个问题理解起来很简单，但实施起来非常复杂，就是如何不断剥离运气，提升能力？
我们希望尽可能多的提升是能力的提升，而不依赖运气，因为能力是一个内在的东西，它在未来会持续下去。
延伸阅读