21世紀經濟報道記者 陳植 上海報道

(相關資料圖)

隨著量化私募日益增多，這個賽道的競爭程度趨于激烈。

在近日舉行的2023·量化科技嘉年華論壇期間，多位與會量化私募基金負責人感慨，量化私募市場正變得越來越“卷”。

“幾乎每家量化私募基金都在不遺余力地提升超額收益，因為這關系到他們能否募集到更多資金，在激烈市場競爭過程立于不敗之地?！币晃话賰|量化私募基金負責人向記者指出。

但要持續獲得高超額收益，絕非易事。

這意味著量化私募基金一方面需要在數據、算力、算法等方面持續突破，推動量化策略迭代升級；另一方面則要積極融合AI與大模型技術，通過深度學習技術挖掘出更多能提升投資回報率的因子。

上海人工智能研究院有限公司總工程師王資凱直言，AIGC會令財經領域數據信息呈現爆發式、指數式的增長，由此對量化交易產生一系列新挑戰，比如大語言模型的誕生，將對量化策略形成三大沖擊，包括內部工程效率全面提升，交互水平和內容分發機制全面的變遷，金融內容生產能力的躍升。

中金財富信息技術部總經理謝碧松直言，就量化策略的技術支持需求而言，5年前行業在交易性能方面比拼激烈，2年前在交易執行效率方面競爭白熱化，近期行業又圍繞深層次數據分析開啟新的“內卷”，但這也給量化策略“新基建”帶來新的發展空間。

值得注意的是，越來越多量化私募基金則感慨當前量化策略的金融基礎設施依然不夠完善。

記者多方了解到，目前量化私募基金在量化策略建模過程，主要面臨三大痛點：

一是量化策略開發越來越廣泛地使用更高頻數據，隨著高頻行情數據與高頻因子的數據量日益增加，傳統的技術框架無法滿足量化行業對海量數據存儲和分析計算的性能要求；

二是量化私募在投研階段通常使用Python編程，但實盤交易環節則使用C++編程，導致同一套因子需要開發兩套代碼且保證結果一致，開發成本較高；

三是如何將數據庫中存儲的海量因子數據以最高效的方式傳輸給PyTorch等因子模型的訓練工具。

多位量化私募人士向記者透露，他們現有的技術解決方案存在改善的空間，比如使用MySQL、PostGreSQL等通用數據庫進行海量數據存儲與清洗，但其存在磁盤內存占用率較大、查詢性能較低、數據導入Python耗時過長等痛點；在策略研發與因子計算方面通常使用Python技術，也存在因子計算與策略回測耗時長等問題，導致策略研發效率相對低下。

這無形間催生出專門為量化策略提供底層金融基礎設施服務的量化金融服務商。

DolphinDB聯合創始人兼COO 初陽春接受本報記者專訪時表示，他們一方面提供基于自研的高性能分布式時序數據庫的實時計算系統，在量化私募提供海量數據高效查詢與高性能復雜計算場景，提升他們的策略研發效率，另一方面則研發流批一體技術，令投研與實時交易共用同一套因子代碼，減少量化私募的因子實施成本與耗時。

他直言，DolphinDB之所以進入這個賽道，主要原因是前些年他們看到歐美市場存在專門的量化金融服務商，為歐美投資機構量化策略、中高頻交易提供數據存儲清洗與因子挖掘等賦能，但在中國，這個產業剛剛起步。

記者獲悉，隨著近年越來越多量化金融服務商相繼面世，這個賽道競爭同樣趨于激烈。

“誰能最終脫穎而出，取決于他們能否滿足量化私募基金的新業務需求。”上述百億量化私募金負責人向記者指出。具體而言，一是隨著量化私募策略迭代提速，他們需要更高效的策略與因子開發，由此帶來更多類型更大量數據的需求，且數據清洗與因子計算的性能要求更高，二是目前幾乎所有的量化私募都在使用AI深度學習技術，期待它能創造出更多有價值的投資因子與量化策略。

初陽春告訴記者，DolphinDB將一面與主流的AI深度學習框架進行更好地連接，方便量化私募基金更好運用AI深度學習技術，一面則對IB高速網絡與GPU等新型硬件進行適配開發，進一步提升量化私募的數據存儲清洗與因子計算等性能。

湘財證券總裁周樂峰表示，在經歷高速發展期后，量化投資領域的同質化問題開始出現，超額回報也有所衰減，在這種情況下，整個行業需持續擴容人才隊伍，加快策略迭代效率同時，將響應速度、日常業務整合優化也提上議事日程，這或許也是量化投資行業下一階段制勝的關鍵。

海量數據存儲清洗分析痛點待解

面對日益激烈的市場競爭，越來越多量化私募基金紛紛建立數據庫、數據分析系統與實時流計算系統等基礎設施，進一步提升策略研發效率與博取更多高超額回報機會。

但在實際操作環節，不少量化私募基金發現這項工作實踐效果差強人意。

究其原因，一是他們通過SQL語言查詢海量數據時，需先將數據傳輸到分析系統再進行計算，導致他們對海量數據進行計算分析時，逾90%時間都耗費在數據傳輸環節，令策略研發效率大打折扣，二是他們使用Python技術進行數據回測與因子計算（比如日頻量化因子計算）時，耗時過長，直接影響量化策略的研發實施效率。

這背后，是眾多通用性系統均非針對量化交易的使用場景與數據量處理而設計，導致量化私募基金在使用大規模金融數據，尤其是使用中高頻交易數據時，這些通用性系統性能遠遠無法滿足量化私募的需求。且大規模數據在各個系統之間的轉移耗時時間太長，成為整個量化策略系統性能提升的一大瓶頸。

一位量化私募基金技術總監向記者透露，他們也嘗試使用多種數據庫技術解決方案，比如NewSQL，但他們的性能不能滿足中高頻數據處理的需求；此外他們還使用過采用行存+BTree索引架構的知名數據庫，其優點是點擊查詢一行數據時相當高效，但缺點是它存在數據庫磁盤空間占用過大等問題，讀取大數據量時性能不佳。

“這需要量化金融基礎設施服務商從寫第一行代碼起，就需要著手解決量化交易場景里的上述問題。” 初陽春向記者直言。量化交易的需求，不只是海量數據的存儲查找，更注重高性能復雜計算，所以量化金融服務商需同時提供高性能數據庫、多范式編程語言、豐富的因子庫與流計算引擎，才能滿足量化交易的全鏈路需求。

記者了解到，為了解決量化交易所面臨的數據存儲清洗分析痛點，庫內計算、高性能分布式計算與并行計算、實時流式計算引擎、向量化計算等技術必不可少。

所謂庫內計算，就是復雜的量化金融計算任務可在數據庫內直接執行，避免海量數據從數據庫轉移到計算系統，節省數據分析耗時。這要求數據庫系統提供功能完備的編程語言與大量計算函數。

實時流式計算引擎則專門針對金融實盤場景設計，很大程度簡化量化私募基金的實盤策略開發工作，包括在亞毫秒級完成上百個因子的實時計算，將實盤策略上線時間從2-3月縮減至1-2周。

初陽春向記者透露，為了實現庫內計算與實時流式計算引擎的高效率，他們提供逾1500個內置函數，覆蓋量化交易在數據庫、數據分析與實時計算的絕大部分需求，以便量化私募基金直接使用他們腳本語言在庫內運算，最大程度節省數據分析計算耗時。

在他看來，這也有助于大幅縮短量化策略從研發到上線實施的時間。因為傳統的量化策略開發流程，通常是投研人員先使用Python技術進行因子挖掘與量化策略研發，但為了滿足高頻量化策略的低延時交易要求，他們又會采取C++語言對量化策略投資邏輯進行重寫，導致整個高頻量化策略的開發周期很長，通常以月為單位，其中不少時效性強的量化策略尚未上線就已經失效。

“隨著越來越多量化私募基金在策略研發上線方面拼速度拼效率，量化金融服務商也需要與時俱進，滿足量化私募策略迭代效率提升的諸多新訴求。”初陽春強調說。

AI時代下的量化策略迭代新挑戰

值得注意的是，隨著AI在量化策略研發的應用日益廣泛，越來越多量化私募基金將它視為新的核心競爭力。

一位百億量化私募投研總監向記者指出，現在幾乎所有的量化私募基金都在使用AI技術。以往，不少量化私募基金認為AI在數據收集端，能提升后臺的數據處理分析效率，但現在，越來越多量化私募基金都將AI深度學習技術應用于因子挖掘，數據特征抽取、特征數據組合搭建等領域，甚至還有私募機構嘗試在交易訂單執行方面使用AI技術以提升交易效率。

“目前，不少量化私募基金擔心在未來某個時刻，當AI在量化投資算法模型搭建與算力維度取得突破性進展后，整個量化私募市場的競爭將進入前所未有的激烈，除非量化私募基金在數據挖掘與因子挖掘等方面具有前瞻性的布局與深厚積累，才有可能憑借策略先發優勢獲取較高超額回報，但在交易端，AI技術能令任何量價套利高回報機會迅速被捕捉殆盡?！彼赋?。

初陽春直言，一直以來，因子挖掘是量化交易的基礎，尤其隨著量化私募市場競爭加劇，越來越多量化私募基金更需要AI技術開發大量有價值的因子，但他們調研發現，不少量化私募基金在通過AI深度學習技術挖掘出因子后，因子存儲成為一大痛點，其中包括因子數據量過于龐大、因子庫需動態變化、多因子需對齊輸出等。因此DolphinDB一直在提供有效解決方案破解這些痛點。

記者多方了解到，隨著ChatGPT技術日益普及，越來越多量化私募基金圍繞這項新AI技術試水一系列全新的量化策略，比如根據ChatGPT所顯示的散戶對個股的看漲情緒數據，構建新的量化投資組合；再如將同一個量化策略試水不同的市場交易情緒（對ChatGPT所提供的不同市場交易情緒數據進行分析），測試其有效性與投資回報高低。但是，這都需要一系列高效的數據回測引擎工具，以便他們能快速研發新的量化交易策略。

初陽春告訴記者，這意味著在AI時代，量化私募基金需要更多能夠自定義的回測引擎與優化工具。目前DolphinDB致力于向量化私募基金提供上述引擎工具，以便他們使用DolphinDB回測框架與語法，一方面可以模擬歷史交易并評估上述量化交易策略與因子策略的業績表現；另一方面通過回放高頻數據，實現多表有序的行情仿真。

卡方科技聯合創始人鄭盛表示，隨著AI大模型技術的興起，量化交易將進入“新范式時代”。尤其是未來ChatGPT5.0、6.0、7.0的出現，將進一步助力量化交易市場的投資交易風控。未來的量化私募基金的“軍備競賽”，將進一步集中在數據、算力和算法領域，也令量化金融服務商需使用更多AI技術賦能整個行業發展。

博時基金基金經理桂征輝認為，在量化投資領域，智能化也會成為一個新趨勢，尤其是數據要素和智能科技在前沿領域的廣泛應用，將不斷拓寬了量化投資的內涵。通過大數據、機器學習等技術的進步，量化投資將會不斷地迭代和升級。

關鍵詞：