解密中歐量化：穿過量化資管的三道關口

距離上一次和中歐基金量化投資總監曲徑對話過去了三年，如今量化私募規模接近3萬億，其中10家站上500億，已然成為財富管理市場一股洶涌的力量。

三年后，中歐量化團隊中，悄然出現來自靈均、千象等頭部私募的投研人員。2024年，先是在千象的投資經理宋婷入職中歐，后來又迎來更罕見的一幕：一家量化私募的創始人，帶著核心團隊加入了進來。

這個人就是楊柳。楊柳話不多，穿搭很硅谷。見面那天，他身穿GPU大廠夾克背心，手戴智能手表24小時量化身體特征，包括睡眠、呼吸、心率，他說，“要把自己當成一個產品來管理。”

楊柳和曲徑19年前相識于紐約，楊柳在高盛，曲徑在Millennium千禧年，多年來他們一直保持著聯系，如今職業軌跡又交匯到了一起。

剛來到中歐，楊柳發現公募量化的基礎設施存在代差：下單要從Excel手動導入，交易延遲較為明顯。這一細節讓他意識到，公募量化存在大量可以優化的地方，生產流程中的每個環節都還藏著待挖掘的Alpha。

為了消除代差，過去三年曲徑投身于優化量化產線的每一個環節，一步步推進中歐數智化進程。用更具象化的描述，可以簡單總結為“造高鐵”和“修軌道”。

在曲徑基本面量化的底盤上，宋婷引入因子工廠搭建車身架構，楊柳帶來深度學習模型升級駕駛系統——中歐量化這輛疾馳的高鐵，如樂高一般，一塊一塊拼了起來。與此同時，她和團隊一起優化了量化鏈路上包括交易、IT、運營等在內的每一個環節，正如曲徑所說，“我們要讓提速的高鐵在更絲滑的軌道上馳騁起來?！?/p>

千金買馬骨

2023年，中歐的基本面量化迎來了一段陣痛的時光。

當時市場風險偏好持續下降，股價未能反映公司盈利增長。曲徑統計發現，基本面定價失效持續了12個月以上，歷史上很少出現這樣的情況。而另一邊，投資人不解，為什么量化會表現不理想？

在曲徑的坐標系里，量化選股分為四個時間維度：日內預測模型、短周期深度學習、中周期因子框架、長周期基本Alpha。私募一般在前三個維度更有優勢，當時中歐的優勢是在第四個維度。

中歐原有的量化模型抓取了中長期的Alpha，中短期交易策略卻是缺失的。曲徑和團隊反思，單憑中長期模型無法滿足投資人追求超額穩定性的要求。

為了補充中短期Alpha，中歐先后從私募招來擅長量價的宋婷以完善因子框架，擅長AI端到端的楊柳來搭建深度學習模塊。

中歐量化也由此完成了一次躍遷——從原來的基本面量化，進化為覆蓋短、中、長三個維度的三元低相關模型，中頻量價因子和短期預測模型相繼擴充，策略真正具備了適應多周期環境的能力。

“私奔公”在資管行業是一件罕見的事，而從整體策略更豐富、交易限制更少的量化私募來到公募，那就更不尋常。

常常有人問宋婷，“私募干得好好的，為什么要來公募？”

首先是發展空間。宋婷認為時點很重要，私募頭部格局穩固了下來，現在去創業勝算很小。反觀公募量化，一來規模不及私募，二來正處于一片藍海的狀態。

其次是團隊氛圍。Quant都是聰明人，他們向往和自己同頻的同事一起工作，平等地交流。一名研究員說，“以前在某家私募工作時，一天給隔壁工位同事發了20條消息，只有1條回他，來了中歐，團隊內部交流很密切，找曲徑也次次都能得到回答。”

再者是量化基建。多數公募量化年化回報周轉較低，中短周期Alpha 很難落地。楊柳到來時，中歐是少數能夠解決這一問題的公募基金。在算力和IT投入上，中歐稱得上是不遺余力。

宋婷判斷只要交易系統得以優化，私募的因子框架完全可以在公募跑通。2025年，借助中歐“工業化”的中后臺支持，宋婷的因子框架確實顯著提高了策略的穩定性。

在中歐量化團隊，不存在個人英雄主義的敘事。團隊的價值觀被定義為，質量優先、技術驅動、學習共享。

中歐量化團隊采用“Central Book”（中央化賬簿）模式，從數據處理、特征生成、因子構建、模型管理、風險模型、獨立優化器、交易算法和基金運營，每個環節都由專人專崗管理，形成一套工業化流水線體系。每只產品的業績，都是工業化流程中各個環節積累的Alpha所疊加起來的結果。

然而，高效的工業化流水線也會帶來一個經典難題：如何在腦力密集型行業中組織和管理出色人才，避免他們陷入機械勞動陷阱？

梁文鋒也曾談到這一問題，“每個人有自己獨特的成長經歷，都是自帶想法的，不需要推著他走……不過當一個項目顯示出潛力，我們會自上而下地去調配資源。”也就是，讓這類人才圍繞有潛力的項目聚攏，通過實現項目成果來獲取正反饋。

中歐量化的工作方式區別于傳統量化投資，他們像是在大學做科研，可以參與到兩個正在進行的前沿項目：一個是優化器，另一個是端到端。

優化和泛化

優化器是這些年量化圈最火熱的前沿技術之一。海外最早可追溯到MSCI的Optimization與Qontigo的Axioma，國內則是因為磐松的運用逐漸被投資人所熟知。

“技術進步不會出現在行業紅利鼎盛期?！睏盍f，“早年挖因子，土壤肥沃，不需要精耕細作業務也能發展得很好。然而隨著因子擁擠度上升，就需要通過組合優化，以削減規模擴大對收益的影響?！?/p>

為了實現更好的組合優化，中歐基金量化團隊與上海交通大學智能計算研究院建立了合作，后者為中歐量化團隊提供優化器技術支持。智算院通過校企合作研發的COPT求解器代表了全球優化器的最高水準，在國際權威公測榜單中，攬獲11項世界第一。（數據來源：中歐基金、上交智算）

在中歐做量化，不只是挖因子，還可以和交大智算院一起攻克國際性難題——比如如何把優化器放到GPU里加速。中歐量化團隊的一位運籌學博士參與其中，她非常興奮：“沒想到來陸家嘴上班，還能讀論文、做科研，就像回到大學一樣?！?/p>

反過來，交大智算院也會派教授來指導優化器在金融領域的落地。根據測算，在智算院技術支持下，中歐量化投資組合優化速度提升了百倍。

曲徑打了個比方，“中歐管理的一些小盤主題基金可能會同時買到一只流動性較低的股票，通過優化器，可以優化多只產品的買入方式，使得整體沖擊成本最低，損耗掉的Alpha最少?！?/p>

中歐優化器承擔的是跨周期、跨產品的優化，降低了交易延遲和交易損耗。它解決的核心問題是，如何在復雜約束條件下求得最優解，如何在對市場沖擊盡可能小的前提下，將Alpha高效地交易出來。

中歐量化團隊內部對技術極度追求。頂級國際量化基金Two Sigma是團隊內多次提及的量化機構，它代表了一種非常典型的量化路徑：不是依靠極限低延遲，而是依靠數據科學、機器學習，在每一個研究技術節點，都建立持續的優勢。

正因如此，除了落地優化器，中歐量化團隊還持續探索端到端模型。

所謂端到端，是將原始市場數據直接輸入到機器學習和AI系統，由模型自動完成特征提取、信號生成和交易決策，人類不干預整個過程。人類要做的是獲得更多獨立的數據樣本，然后幫助模型定義清楚特征，并進行整體風險管理。

端到端屬于高維深度學習模型，與傳統多因子模型不同，輸入的不是因子，而是海量的無直接經濟意義的特征。

曲徑又打了個比方：“因子”類似于體檢指標中脂蛋白偏高，它直接指向未來可能發生的疾?。弧疤卣鳌鳖愃泼咳詹綌?、腰圍臀圍比、家族疾病史，并不指向未來是否會得病。但如果將10,000個生活細節和身體信息放入一個深度學習模型中，預測未來患病概率的準確性就會很高。

“高維模型雖有效，但越高維越脆弱，弄不好就成了牛刀切豆腐。”曲徑指出，金融數據信噪比本就偏低，端到端模型很容易捕捉短期趨勢，放大風險因子，反而忽略了真正的 Alpha信號。比如，在2025年只學到動量，在2023年只學到小盤。

針對模型可能存在的過擬合問題，中歐的做法是“約束”和“泛化”：一邊做好前期的特征工程，嚴控獨立樣本質量；另一邊強化模型泛化，提升魯棒性（Robustness音譯，即穩定性），確保模型能適應不同市場環境。

在中歐做量化，不會枯燥地卷因子，而是以項目制的形式讓投研人員參與其中，在組合優化和模型泛化兩個核心命題上，推動“最優解”漸漸清晰。

AI是必需品，而非奢侈品

今年春節，楊柳與一家海外頭部量化的研究主管做了次交流，發現對方在大量使用最新大模型編程建模。他意識到，招人的標準要變了。

過去側重知識型人才，現在更應該看重誰能用好AI工具解決實際問題。楊柳說，“我們投研人員現在能夠把原來需要一周時間的工作壓縮到幾小時。人工智能已不是從0到1或從1到100 的效率提升，而是一個范式的變化，它徹底顛覆了量化的工作方式?！?/p>

對于中歐量化團隊來說，AI是必需品，不再是奢侈品。

正如中歐基金董事長竇玉明對中歐“數智化”進程的分享，中歐已將AI和大模型深度融入投研流程，在這一流程中，人類負責深度思考與洞察，機器負責廣度覆蓋與實時響應，人類智慧與量化模型相互賦能。

與曲徑和楊柳交流那天，隔壁會議室坐滿了人，正在進行一場關于AI的培訓。在中歐量化團隊，端到端不只是策略層面的探索，而是融入到日常的工作流。

更極致的例子，是楊柳正在推進的一個IT項目。整個流程完全端到端，開完會AI自動生成會議紀要，然后再自動喂給模型，由模型直接輸出方案和對應代碼。傳統模式下，這套流程中間需要項目經理整理會議紀要，拆解各個模塊，逐一部署任務，如今這些環節全部被 AI替代了。

楊柳鼓勵團隊成員每天寫一份備忘錄，里面只需回答三點：

第一點是：“每天做了哪些維護工作？”第二點是：“如何對維護工作進行優化？”第三點是：“如何用AI幫助我更好地完成工作？”

在他看來，只有把每天的進步落到紙面上去審視自己，才能擺脫按部就班的慣性，更有創造性地思考問題。

這次交流，最直觀的感受是中歐量化團隊對極致效率的追求，如果產出遠高于投入，就非常愿意投入資源，不論是Token消耗、算力顯卡還是數據采購。曲徑說，“這是為了同事們在這里工作得爽！”

“我們盡量避免投研人員干等著回測結果?！鼻鷱秸J為，“研究是一個連續思考的過程，一有模型或因子改進的想法，最好立刻扔進回測平臺，1-2分鐘就跑出15 年日內數據的結果，這樣思路才不會中斷?！?/p>

對于量化投研人員來說，時間是最寶貴的資產?！叭羰莾灮淮闻芤徽欤砩咸峤辉缟喜拍芸吹浇Y果，思路早就斷了。”曲徑說。中歐之所以在快速存儲、快速回測、優化運算等技術力量上不斷投入，是因為不想打斷團隊成員的連續思考，把時間最大化地利用在投研上。

中歐量化團隊相信科學方法、數據驅動和技術力量能夠解開市場之謎，隨著人工智能和機器學習飛速發展，優勢會進一步擴大。

在這場技術變革當中，曲徑重點在做的是，“我們努力讓提速的高鐵在更絲滑的軌道上馳騁起來?！?/p>

尾聲

楊柳提及了兩個希臘字母：Ω（Omega）和ε（Epsilon）。

Ω在數學上是無窮大的集合，而ε則是無窮小的度量單位。前者指代遠方那座清晰、唯一的山頂——那個真正重要的終極目標；后者指代當下能邁出的、方向絕對正確的最小一步。

這是一種以終為始的價值理念，當想清楚了終點，最重要的是做倒推和拆解：要完成目標，大概要走多少步，要做哪些關鍵的事情。

在中歐量化團隊，處處都能看到把目標“微分”的數理哲學。

中歐量化團隊對產品的目標，是讓廣大基民都能買到優質的Alpha。所以，為了提高夏普，團隊把模型迭代為三元低相關。

在曲徑看來，量化是力爭用Alpha作為底倉，去承接指數Beta的波動。量化希望用更厚的 Alpha熨平Beta的波動，實現時間價值的累積。而這一切的前提，是把每一步的 Alpha都積累好。

中歐量化團隊對組織的目標，是無窮逼近頂級的國際量化基金。那么，每一個因子優化、每一次存儲提速、每一次優化器迭代、每一處代碼的微小改進，都是在打磨一塊方差極小的Alpha積木。

在每個細節創造一點Alpha，才能無窮逼近全域的Omega。

正如曲徑說的，主觀的研究沒有盡頭，量化的迭代也沒有盡頭。

基金有風險，投資須謹慎。以上內容僅供參考，不預示未來表現也不作為任何投資建議。其中的觀點和預測僅代表當時觀點，今后可能發生改變。未經同意請勿引用或轉載。基金管理人承諾以誠實信用、勤勉盡責的原則管理和運用基金資產，但不保證基金一定盈利，也不保證最低收益?；鸬倪^往業績并不預示其未來表現，基金管理人管理的其他基金的業績并不構成其他基金業績表現的保證。您在做出投資決策之前，請仔細閱讀基金合同、基金招募說明書和基金產品資料概要等產品法律文件和風險揭示書，充分認識基金的風險收益特征和產品特性，認真考慮基金存在的各項風險因素，并根據自身的投資目的、投資期限、投資經驗、資產狀況等因素充分考慮自身的風險承受能力，在了解產品情況及銷售適當性意見的基礎上，理性判斷并謹慎做出投資決策。