MetaStar | 关山可越：量化是我的另一个滑雪场

导语

这是属于M同学的故事。他离开硅谷，与创始团队一起回到北京，开创了乾象世界。作为早期团队中的一分子，他认为乾象体系为员工打开了全局视角，而他自己也在乾象收获了计划力与执行力给工作和生活带来的复利。

但这也会是属于更多人的故事。信息爆炸、技术迭代，量化就像他们热爱的滑雪一样，虽然征途上总不乏一座又一座陌生的雪山，但只要和这些靠谱的伙伴一起出发，配备好技术与知识的武器，虽星辰大海，然吾可征矣。

「量化在中国：新的雪道」

Q1.作为 researcher，您如何看待人工智能在量化领域的运用呢？

量化是通过程序化的方式来指导交易。传统的基于规则的量化策略是由人去制定规则指导策略信号的生成，所以很难像基于AI的策略一样，在短时间内对大量快速变化的市场数据做出相应的变化，由此在充分竞争的市场中可能会处于劣势。

使用 AI 就像在高阶赛道滑雪，虽然技术要求高，但收获的风景也与众不同。AI 可以通过不断学习大量数据，来实现我们称之为的“智能”。而金融市场的数据信噪比很低，部分个人投资者会有不太理性的选择，且每个人买卖股票的逻辑都不太一致，导致市场信号杂乱。基于海量数据支持的特性，AI 可以从“噪声”中找到一个可能的规律，更准确地预测出某只股票在未来 1 分钟甚至 1 小时的涨跌。由此可见，对于微秒必争的量化，AI 的策略能更有效地抓捕到市场当下的信息，随之获得更高的收益。

Q2.您认为目前世界量化交易行业存在大的技术趋势吗？

另类数据的使用已在国外量化行业日趋成熟，国内亦有多家公司跟进研究。使用另类数据进行量化交易逐渐成为行业一大新趋势。另类数据指的是相对于常规数据的新数据源，比如推特上用户对于最近某公司发布会评价的推文、卫星的图像数据、甚至包括苹果公司发布的招聘信息，详细到简历的数量、招的职位种类、每一个职位要求的技能，这些都可以反映这个公司内在的运行状况。

Q3.您曾提到美国的量化行业总体来说更加成熟，是什么因素促使您回国？

国内其实非常欢迎量化，需要技术导向的量化策略带动整体市场的交易，而且政策上对我们这种公司有利好。与此同时，国内 2015 年的股灾、2016 年至 2017 年的量化市场大洗牌，也给予了我们公司机遇。国内市场庞大，竞争不会过于激烈，量化行业也正在整体往“微笑曲线”的技术端发展。在这种新兴的模式下，整个行业对于市场数据的应用将会更加充分、有效，经济市场也将被带动起来。而我们公司目前主营的是从 2017 年就开始做的策略，经历了 4 年的积累与迭代，已经形成了一定的技术壁垒，在这种市场竞争中有足够优势。

「全景视野：登临高峰」

Q4.您 2018 年就离开硅谷、加入乾象了，您认为量化公司与互联网公司的区别是什么？

在互联网公司工作确实十分稳定，而且收入也很可观。但是相比于互联网大公司的“螺丝钉”工作，量化行业更加清晰透明的工作成果反馈带给我的个人成就感要多得多。以我个人为例，一方面，我之前在某大型互联网公司实习的时候主要负责背后的一些机器学习的分析模型以及数据处理的一些工作，很难了解我的工作成果与市面上的产品的直接关系。另一方面，在大公司一开始接触的一般是较为模块化的工作，比如针对某一个功能做些细微的调整，而不清楚自己所做出的细微功能改进对于项目整体的影响。这些让我难以拥有对公司业务的全局视角与对自身贡献的认识，也就难以获得登临高峰的快感。

相较于互联网公司，量化公司的反馈回路非常短，能迅速看到自身工作对于公司的贡献度。这种仿佛“即刻反馈”的效果，在我们公司尤为突出。这一点还归功于我们的团队分工，我们通过对部分硅谷公司以及国内外的其他量化公司的调研，总结出合理适用的架构：researcher 的数量相对较少，engineer 相对多并被划分为三个 team——负责数据的 data infra，负责交易系统和实盘工作的 trading infra，负责支持研究团队并提高研究迭代效率的 research infra。这种模式可以保证 researcher 与不同团队的 engineer 进行充分的交互与沟通，也可以保证 engineer 第一时间满足 researcher 的需求。在这种分工下，researcher 会更加了解公司整体架构体系，拥有更加辽阔的视野。并且个人的研究成果可以在短时间之内上线实盘，迅速得到强烈的正向反馈。

Q5.您认为乾象是通过哪些体系框架来为员工打造一个快速成长的环境的？

在刚才提到的团队分工的基础上，我们引入了硅谷大型科技公司先进的 PSC（Performance Summary Cycle）与 OKR（Objective and Key Results）管理体系，以保证大家既能俯瞰公司整体进程，又能放眼长远计划。在半年一次的 PSC review 之中，我们会根据过去一段时间的工作情况进行反思，包括对自己、下属、同事和上级进行总结与评价，以便调整之后的工作。除此之外，我们会通过确认每个员工的感受与定位来帮助员工成长。在制定好清晰明确的 career ladder 的同时，员工每周会和上级进行一对一对谈，分享工作感受、公司制度的反馈和个人身心生活的状态，这有利于员工形成对自身以及公司的正向反馈。通过多角度的 review，员工可以阶段性地获得多元化的自我定位认知，有利于勾勒自身的成长曲线。确认此地此身，才能向下一座山头进发。

「征服那座山」

Q6.乾象在创业早期是如何实现团队平衡的？

大家都非常清楚，即使短期有理念上的分歧，长远目标也必须一致。很多团队一开始可以共同吃苦，但到了利益分配的关口，可能有人不愿意稍微牺牲自己的利益。这时候就很考验团队能不能做到同一条心，把目光放得更长远，眼下自己退一小步，未来公司迈一大步。这就像滑雪一样，虽然一座座连绵的山头可能令人望而生畏，但是可以和靠谱的伙伴们去逐一征服，这难道不令人欣喜吗？只要大家都冲着同一个目标保持同一条心去努力，最后一定能征服那座山。

Q7.您和您靠谱的小伙伴之间有什么故事吗？

有趣的是在过去半年里，从最初的三个滑雪爱好者把公司的滑雪风气带了起来之后，我们经常会自发组织去滑雪，就像是全民健身和冬奥会的形象大使。因为大家都认可彼此的优秀，交流起来没有障碍，这种健康的集体交流，有利于我们在工作之余放松身心、增进感情。

Q8.您在乾象最大的收获是什么？

我个人最大的成长是在计划力与执行力方面。我一毕业就开始创业，没有在大公司受过专业训练的背景，最初的工作缺乏计划性。然而创业时各种各样的事蜂拥而至，我慢慢学会了利用计划力和执行力与时间赛跑。去年年中，我们上线了第一个中国股票的策略。面对布满险滩与陡岩的前路，完善的计划和明确的分工能帮助我们一往无前。最终，我们的策略成功上线了。

「突破上限，野蛮生长」

Q9.对于未来想在量化领域深耕的小伙伴，尤其是在校生，您有什么建议吗？

首先你需要保证学术能力。第一是数理技能。你需要夯实数学、统计、概率等基础，保证对看到的数字和统计量的含义有非常明确的概念。第二是编程技能，在写了一个策略之后，你需要用编程技能保证这个策略可行性与运行效率。你可以学习较为深入的知识，比如一些与人工智能或者机器学习相关的内容。你还需要对金融有初步的了解，比如尝试炒股、看一些有关金融的科普文章。但毕竟金融知识可以在短期内补充，相比之下，数理和编程技能更加重要。

在学术能力之外，你需要尽量提高可变通性与量化技能的上限。第一，你需要让你的理论体系在脱离理想状态的情况下也可行，即需要掌握变通以及美好的理论应用在复杂的现实之中的能力。第二点是直觉，即多年的学术培养、训练出的量化技能，看到一个新的问题，你需要有大概的思路，或者能够联想到以往的经验进行实践。在量化领域，征服每座高山、探索无人之境是无可比拟的体验，除此之外，在征程中突破自身极限也将让你享受到绝妙纯粹的景色。

量化的路上，总有未知的山头横亘在前。然而合理的架构体系与团队精神可以凝聚成一团火，在出众的学术与工作能力的基石上，把握时代趋势的东风，建构属于我们的技术壁垒。乾象愿意与你一起启程，关山可越，帝乡亦可期。