為了持續(xù)提升量化投研能力，越來越多大型量化私募機構正效仿券商與銀行做法，構建自己的量化數(shù)據(jù)中臺。

隨著量化投資策略持續(xù)興起，百億量化私募基金數(shù)量隨之迭創(chuàng)新高。

據(jù)私募排排網(wǎng)最新數(shù)據(jù)顯示，截至7月底，百億量化私募機構數(shù)量達到30家，創(chuàng)下歷史新高。

【資料圖】

這背后，是量化私募產(chǎn)品投資策略也發(fā)生著明顯變化。

“在去年不少量化私募產(chǎn)品超額收益出現(xiàn)較大幅度回調(diào)后，如今pure alpha（純阿爾法）策略正受到越來越多量化私募機構管理人的青睞。因為它可以有效規(guī)避股指下跌所帶來的凈值跌破1元壓力，并創(chuàng)造較高的超額回報。”恒生電子數(shù)據(jù)運營中心產(chǎn)品運營專家黃琪向記者透露。目前pure alpha策略私募產(chǎn)品的超額收益來源，主要來自兩大方面：一是量化私募通過算法模型率先發(fā)現(xiàn)某些股票市場錯誤定價，提前布局獲取超額回報；二是通過大量股市波動歷史規(guī)律分析，他們更精準地預判未來走勢，從而獲取超越市場平均水準的回報。

在他看來，要實現(xiàn)pure alpha策略的高超額回報預期，量化私募機構需在數(shù)據(jù)、算法模型、交易執(zhí)行方面持續(xù)加大投入，由此推高了量化投研數(shù)據(jù)使用要求。

記者多方了解到，為了持續(xù)提升量化投研能力，越來越多大型量化私募機構正效仿券商與銀行做法，構建自己的量化數(shù)據(jù)中臺。

思勰投資交易運營總監(jiān)孫修遠指出，通過建設量化數(shù)據(jù)中臺實現(xiàn)業(yè)務數(shù)據(jù)化、數(shù)據(jù)資產(chǎn)化和投研智能化，從而打造數(shù)據(jù)驅動的量化資管體系，將是未來量化私募機構借助數(shù)據(jù)能力提升投資決策精準性的一大重要方向。

他直言，要做好這項工作，絕非易事。一是眾多量化私募機構均面臨量化投研數(shù)據(jù)體量大、多源異構、數(shù)據(jù)質(zhì)量低、自由度低等痛點，導致數(shù)據(jù)使用效率千差萬別；二是如何通過數(shù)據(jù)清洗提煉分析，進一步完善自身算法投資模型，同樣是一大挑戰(zhàn)。

在恒生聚源副總經(jīng)理夏青看來，隨著pure alpha等量化選股類策略資金容量越來越大，它對多因子選股策略的數(shù)據(jù)需求日益旺盛——包括個股基本面，市場情緒面、資金流動性、行情類、財務類、估值類等各類數(shù)據(jù)和財務指標，量化私募機構不但要求數(shù)據(jù)齊全，還要求實時更新推送與快速清洗提煉 (轉化成他們需要的建模因子數(shù)據(jù)），這驅動金融數(shù)據(jù)服務商在提供數(shù)據(jù)服務同時，還需輸出涵蓋規(guī)模因子、動量因子、技術因子、波動因子等多元化因子庫，為量化私募機構提供完善的投研數(shù)據(jù)服務、績效歸因分析和指數(shù)服務。

他透露，恒生電子正致力于通過數(shù)據(jù)質(zhì)量規(guī)則校驗系統(tǒng)建設高質(zhì)量的歷史行情數(shù)據(jù)庫，為量化投資機構打造集行情、資訊、因子數(shù)據(jù)于一體的機構金融數(shù)據(jù)服務，并提供二次加工和統(tǒng)一便捷的對外服務，進一步滿足他們對量化投研數(shù)據(jù)的各類需求。

中泰證券科技研發(fā)部總經(jīng)理何波指出，隨著監(jiān)管趨嚴令量化交易不再純粹聚焦高頻極速，除了低延時、AI等科技已被廣泛應用，系統(tǒng)開源與云原生同樣是值得量化交易投資機構深入探索的一大科技賦能方向，這也是量化交易走向規(guī)模化的必由之路。但要讓量化交易邁入云原生之路，則需從統(tǒng)一的行業(yè)標準制定、完善的開源生態(tài)構建、合適的開發(fā)語言使用等各方面深入發(fā)展。

百億量化私募的數(shù)據(jù)中臺“坎坷路”記者多方了解到，不同于傳統(tǒng)投資交易，量化交易投資主要是將股市波動歷史規(guī)律轉化成數(shù)據(jù)，并依賴統(tǒng)計和編程完成數(shù)據(jù)分析和制定相應投資策略，且在執(zhí)行前需先通過各類模擬測試驗證其投資策略的有效性與業(yè)績表現(xiàn)能否達到預期。

因此，眾多量化策略私募機構的一項重要工作，就是整天與各類金融數(shù)據(jù)打交道，由此催生三大量化投研數(shù)據(jù)需求，一是數(shù)據(jù)完備性，即盡可能掌握更多的金融數(shù)據(jù)，包括宏觀經(jīng)濟、上市公司財務數(shù)據(jù)、股票行情數(shù)據(jù)、上市公司輿情數(shù)據(jù)等；二是數(shù)據(jù)務必準確，這是確保投資策略凈值回撤狀況可控的最大基礎；三是足夠快地獲取各類數(shù)據(jù)，從而確保量化交易投資策略能快速響應市場變化。

一位正在研發(fā)pure alpha策略私募產(chǎn)品的百億量化私募機構投研總監(jiān)向記者透露，目前他們最看中的是行情數(shù)據(jù)，但這類數(shù)據(jù)處理起來相當繁瑣，因為數(shù)據(jù)量特別大且需要繁重的數(shù)據(jù)校對，以確保數(shù)據(jù)具有較高的準確性。

“此外，令我們比較頭疼的，還有盤后統(tǒng)計數(shù)據(jù)分析工作。它對優(yōu)化量化投資算法模型起到關鍵作用，但我們時常遇到數(shù)據(jù)不夠全面，導致復盤建模效果有時不盡如人意?！彼赋?。

為了解決這些痛點，他所在的百億量化私募機構正嘗試搭建量化數(shù)據(jù)中臺，包括底部數(shù)據(jù)層、因子發(fā)現(xiàn)層、策略開發(fā)層、策略跟蹤層與產(chǎn)品層都能做到數(shù)據(jù)打通共享，從而全面還原各項量化投資模型的構建全過程與投資業(yè)績好壞，作為他們不斷優(yōu)化pure alpha投資策略的重要依據(jù)。

他指出，在量化數(shù)據(jù)中臺構建過程，另一個令他們頗傷腦筋的問題，是如何搭建完善的算法平臺，目前他們除了自主內(nèi)部挖掘各類金融數(shù)據(jù)構建量化交易投資模型，還會引入外部算法模型提供商的某些獨特投資策略。但在實際操作過程，他們發(fā)現(xiàn)多數(shù)算法模型提供商專注投資算法模型研發(fā)，忽視量化私募機構數(shù)據(jù)接口與風控模型的對接，導致不少外部算法投資模型“只能看不能用”；此外，當他們接入多家外部算法模型服務商后，還會發(fā)現(xiàn)自己缺乏統(tǒng)一平臺進行管理，導致他們遲遲沒能構建統(tǒng)一的運營評價體系判斷孰優(yōu)孰劣，令自身量化交易投資策略面臨額外的投資風險。

“我們正在嘗試構建統(tǒng)一的算法平臺，實現(xiàn)算法管理、算法設計、算法測試流程、算法上線流程、交易風控流程的統(tǒng)一，徹底解決上述痛點?！彼赋觥?/p>

記者多方了解到，不少大型量化私募機構在構建量化數(shù)據(jù)中臺過程中，還會遇到數(shù)據(jù)存儲難題——目前，絕大多數(shù)結構化數(shù)據(jù)可以通過數(shù)據(jù)庫方式存儲，但眾多非結構化數(shù)據(jù)（包括高頻海量的時序數(shù)據(jù)、研報、輿情等）卻難以使用數(shù)據(jù)庫方式存儲。盡管越來越多量化私募機構嘗試基于大數(shù)據(jù)預處理的數(shù)據(jù)湖技術——先使用NLP、機器學習等技術對非結構化數(shù)據(jù)進行清洗提煉分析，再通過預處理模塊將它們納入數(shù)據(jù)庫存儲，但收效未能達到預期。

科技賦能解決方案成效幾何面對量化私募機構的旺盛量化投研數(shù)據(jù)需求與使用痛點，券商與第三方金融數(shù)據(jù)服務商紛紛提供新型科技賦能解決方案。

一位券商信息技術部負責人向記者透露，他們調(diào)研發(fā)現(xiàn)，在數(shù)據(jù)存儲層面，數(shù)據(jù)格式很大程度決定了數(shù)據(jù)存儲方式。因此他們正嘗試對時序數(shù)據(jù)采取特殊優(yōu)化的存儲方式，比如列式存儲或基于流處理、批處理的特殊存儲方式，對海量結構化數(shù)據(jù)則采取高速文件集群或對象存儲群技術進行存儲，解決量化私募機構對量化投研數(shù)據(jù)存儲的諸多痛點。

在數(shù)據(jù)使用層面，數(shù)據(jù)內(nèi)容則決定了數(shù)據(jù)使用方式與邏輯歸類。因此他們在收集龐大量化投研數(shù)據(jù)同時，還會建立一個數(shù)據(jù)訪問層，提供API、DB與各類形式文件接口，向量化私募機構提供全量的數(shù)據(jù)訪問服務，協(xié)助他們將眾多外部數(shù)據(jù)收集先實現(xiàn)業(yè)務數(shù)據(jù)化，再依托他們自身量化數(shù)據(jù)中臺進行數(shù)據(jù)清理提煉，進而實現(xiàn)數(shù)據(jù)資產(chǎn)化，最終達到智能化使用量化投研數(shù)據(jù)的效果。

“其間我們還協(xié)助他們優(yōu)化統(tǒng)一的算法平臺，尤其是算法服務商和券商的數(shù)據(jù)使用方式與數(shù)據(jù)接口實現(xiàn)統(tǒng)一，助力量化私募機構降低系統(tǒng)復雜度同時，令合規(guī)風控更有保障。”他指出。

黃琪告訴記者，目前眾多量化私募機構在提升量化投研能力與量化投資數(shù)據(jù)使用過程中，還遇到三大痛點：一是數(shù)據(jù)多源頭、體量大，結構格式分類大不相同，因此他們迫切希望能夠更方便地開展多源頭數(shù)據(jù)清洗處理分析；二是眾多數(shù)據(jù)質(zhì)量低且更新快，甚至很難發(fā)現(xiàn)（要么即便發(fā)現(xiàn)也很難糾正），令他們同樣需要一整套數(shù)據(jù)質(zhì)量校驗體系，能夠通過多維度比對判斷哪些數(shù)據(jù)存在“偏頗”，迅速找到數(shù)據(jù)修復補齊路徑以盡快提升數(shù)據(jù)質(zhì)量；三是越來越多量化私募機構抱怨沒有辦法對數(shù)據(jù)開展二次加工，尤其是將有些具有投資決策參考價值的“中間指標”或“常用指標”前置到數(shù)據(jù)處理環(huán)節(jié)，從而給后端投研建模工作節(jié)省更多時間；甚至部分大型量化私募機構還希望能對數(shù)據(jù)做到便捷二次加工與離線計算，以及實時行情數(shù)據(jù)的低延時計算推送，方便投研團隊與交易風控團隊對行情變化做出更快的反應。

在他看來，要解決這些數(shù)據(jù)使用痛點，金融數(shù)據(jù)服務商需在構建量化投研數(shù)據(jù)服務領域做好四件事：一是建立歷史行情的數(shù)據(jù)底座并提高數(shù)據(jù)質(zhì)量，二是開放歷史行情的數(shù)據(jù)二次加工平臺并提供數(shù)據(jù)加工能力，三是進一步對外開放服務，包括支持低碼化封裝的API接口，四是不斷優(yōu)化權限管理，支持量化私募機構按需申請數(shù)據(jù)使用權限與可視化工作等。

黃琪直言，當前國內(nèi)量化投研與量化投資對數(shù)據(jù)的服務要求之所以不斷提高，是因為越來越多量化私募機構正在比拼與追逐更高的pure alpha。這無形間推動金融數(shù)據(jù)服務商必須提供更完善、省心、高性價比與標準化的量化投研數(shù)據(jù)服務，令量化投資領域的數(shù)據(jù)使用門檻不會跟隨業(yè)績目標“水漲船高”。

關鍵詞： 私募機構 投資策略 量化投資