您现在的位置: 首页 > 网站导航收录 > 百科知识百科知识

sigama(sigama公司)

数据,因子,算法sigama(sigama公司)

发布时间：2019-02-08加入收藏来源：互联网点击：

很多朋友想了解关于sigama的一些资料信息，下面是小编整理的与sigama相关的内容分享给大家，一起来看看吧。

当前以AI为代表的科技创新如何重塑资产管理行业，量化投资已经成为海外对冲基金主流背景下，AI如何赋能投资，AI带来的投资方法变革将如何助力投资机构从手工作坊到工业化平台生产迈进。“1万亿”，是量化私募新突破，也是新起点。

截至2021年二季度末，国内量化类证券私募基金行业管理资产总规模约1.03万亿元。也有三方平台估算，其中百亿量化私募总规模达5000亿元。这是首次突破“1万亿”关口，并在同期证券私募行业约4.87万亿元总规模的占比攀升到21%。

阅读2021上半年金融工程研报 暗含了量化投资哪些大趋势？

券商对量化工程的研究

目前，量化私募阵营中规模最大的是幻方量化，规模千亿元附近，500亿元以上的机构包括九坤投资、明汯投资、灵均投资等。

虽然2021年一季度市场大幅波动，但量化私募规模仍在上半年持续扩容，并突破万亿元大关。

截至目前，国内百亿量化私募有16家，即博普资产、诚奇资产、黑翼资产、幻方量化、佳期投资、金锝资产、进化论资产、九坤投资、灵均投资、明汯投资、鸣石投资、宁波幻方量化、启林投资、盛泉恒元、天演资本、衍复投资。

海内外量化激增 金融机构需构建核心科技底层

未来10年，毫无疑问中国会成为全球最大的资产管理市场，预计2030年资管行业AUM达285万亿，财富管理行业收入达3.67万亿，财富管理行业税前利润达2.62万亿。随着“类专业”投资管理公司向专业化转型升级，资产管理行业进入了一个全新时代，中国资产管理行业的金融科技创新最初集中在分销领域，不过从近期的发展趋势来看，科技创新开始渗透到资产管理的整个价值链，通过金融科技创新实现跨越式转型，中国已被公认为孕育金融科技领先企业的创新中心，下一阶段将加强投资管理基础设施建设，推动专业化发展。

在海外，2014年的时候绝大部分对冲基金还是以主观为主，到 2018 年，全球对冲基金资管规模排名，量化型基金强势包揽了前六，量化投资已成为国外对冲基金的主流。其中AI的使用2017年的时候还不到36%，2018年的时候覆盖率已经超过了50%。2020 年国内量化私募投资基金规模大幅增长，逼近7000亿，2021年中旬已经突破一万亿大关。但相对于中国的资产管理规模还比较早期，有非常大的发展空间。

AI如何赋能投资？

投资生产方式发生变革， AI工程化助推从手工作坊到工业化平台

投资领域各方法论大不相同，传统投资基于对数据科学、世界的认知，经历了从经验、理论、计算机辅助模拟到数据学习等多个阶段，在数据时代，数据指数级地爆发，只依靠人的深度思考遇到瓶颈，所以需要新的工具、新的方法，依靠机器在算力、算法的基础之上，学习发现模型，以非常低的成本做前沿的探索。在量化领域，以前基于量价数据、低频数据，就可以得到很好的结果，现在数据规模越来越大，早前通过单机的Excel、简单代码就可以实现的过程，必将转移到现在的集群，依赖复杂学习能力的算法，在数据上做建模。就像AlphaFold2以非常低成本，几个小时的时间，就可以高速完成前人十几年的工作。在此背景下，投资的整个生产方式也在发生变革。传统手工作坊式的投资，每个人都需要在搭建环境，准备数据，做因子研究、策略开发，形成投资产品，这种模式难以管理和相互协同。现代投资生产现在正逐渐过渡到平台化、工业化，如Two Sigama, World Quant等，他们构建高效的企业级平台，企业所有能力在平台上沉淀，让流程变成流水线，数据工程师做大量数据研究在平台构建新型数据，研究员在数据之上挖掘新的因子、构建策略，投资经理构建产品服务用户，最终形成公司的产品。

平台化、体系化的研究需要全栈的AI能力。IaaS可以使用公有云或者私有云；Pass平台，实现基础能力管理；SaaS服务层，要实现整个量化投研，从数据分析到因子挖掘、因子管理、策略构建、训练、最终模拟到实盘系统。再之上，就是具体场景的应用，比如另类数据、组合研究、策略开发、资产组合、智能投顾等等，以此平台最终实现资产管理和财富管理的场景赋能。而这些AI流程化的管理，都可以通过可视化、模块化的方式，把整个生产过程变得简单，业务人员不需要从头学习艰深的算法和编程技术也可以完整实现。

做 AI在投资领域应用，第一要有数据，投资早期基于消息和少量数据就可以做投资决策。之后量化投资，用日级别量价数据也可以取得不错的效果，获得阿尔法。现在这类因子已经比较拥挤，部分领先机构开始采用low level的高频数据，这些高频数据不止应用于高频交易，同时还可以加工成新的因子，挖掘出在低频数据上挖掘不到的新因子。未来2~3年，这种方式可能仍然有不错的效果，但也会逐步回归到平均收益。未来我们会看到更多另类数据将得到应用，NLP可以快速地在新闻舆情数据上面识别市场情绪，电商数据则在季报前获得实时、甚至分钟级别的收入数据，等等。这些数据量都是指数级的增长，我们经历几十MB、几百MB到几百个GB的数据变化，在未来数据量甚至很可能到PB甚至到EB级别，从上万个数据源里面学习，本身对数据处理、存储、计算就是非常大的挑战，而在这些数据里面建模学习更是需要人工智能。

算力、算法、因子：机器学习 加速摘星进程

回顾过去20年，AI在很多场景在非常快速落地，甚至很多行业领域已经实现了30%-50%的渗透率。我们看到很多机构来向宽邦科技对接更多的算力，某银行客户，甚至把量子计算机也加入到了底层。除了算力，算法也是非常重要的，算法决定了怎样学习这些数据。大型厂商比如微软、谷歌在不断地构建基础算法用于图像、语音、NLP等场景，但在细分投资场景里面的大型厂商是比较少的，宽邦科技希望在投资场景里面，能像微软、Google一样，成为基础算法的供应者，从数据分析到因子构建、模型训练，为整个投研全流程赋能。我们在平台集成了很多适用于投资场景的AI框架和算法，并做了进一步的选择、调优和封装。同时我们也在开发很多面向投资场景的专有算法，使得研究员、投资经理，甚至业务人员都可以像搭积木一样地把这些模块直接用起来，让整个机器学习的落地变得更加简单。

人和机器怎么结合起来？机器可以自己学，把人对数据的理解，人对行业领域的理解，变成因子特征，机器继续进行深度的学习。我们做的第一个版本就是做了一个表达式引擎，人不需要写代码，通过一个公式就可以把开发者原本可能要花几天时间分析数据、写代码的方式，变成几分钟写一个公式就可以交给机器，以此衍生出很多新的因子出来。然后我们再通过一些算法模拟人去寻找因子，机器在数据之上、在基础因子之上，自动组合因子。当然AI量化也面临很多挑战，寻找有价值的因子就像在茫茫宇宙中寻找适合人类居住的星球一样，方向具有广泛不确定，所以这里面就会有很多算法的工作，涉及我们怎样做空间的划分，怎样加速中间的过程。通过深度学习，我们也在做low level的因子学习。

 1/2    1 2 下一页 尾页