21世紀經濟報道記者 陳植 上海報道數據顯示，截至今年一季度末，國內涉足量化策略投資的資金量超過1.3萬億元人民幣，且百億量化私募機構數量迅速增至逾30家。與此對應的是，賦能量化私募發展，正成為券商日益聚焦的新業務增長點。近年，國內券商投入大量精力資源服務量化私募基金，一方面為私募量化基金提供極致交易鏈路、專業交易工具等金融基礎設施，另一方面為私募量化基金策略研發提供另類數據挖掘、算法算力支持等服務。安信證券CIO許彥冰接受21世紀經濟報道記者采訪時表示，當前國內量化投資發展從2002年的1.0起步，發展至當前相對成熟的3.0階段。但隨著國內量化投資市場持續壯大，也出現新的發展痛點與瓶頸，一是隨著量化投資資金規模不斷增大，量化賽道正變得日益擁擠，量化投資規模增速呈現階段性放緩；二是量化策略同質化令量化投資產品收益較大幅度下降。尤其是當前國內量化投資策略在數據來源方面（比如交易所基礎行情數據）是重疊的，在策略模型方面也有很多雷同，一定程度加快量化策略的失效速度；三是數據量的指數級增長同時，數據來源分散和數據質量卻層次不齊，對量化策略模型復雜度、存儲、算力、數據質量自身隱含的風險都帶來較大挑戰。湘財證券總裁周樂峰直言，若只靠單一算法或量化策略獲取長期穩定回報，相對而言是不現實的。因為所有量化私募基金都會涌入這個收益不錯的策略。所以量化交易策略越來越擁擠，收益率越來越狹窄。這是大方向，但是不代表量化投資市場沒有新的獲利機會。“要破解這些痛點與瓶頸，券商、量化私募基金與市場參與者需攜手合作。” 許彥冰告訴記者。量化策略交易的主要目的之一是追求穩定的超額收益，但策略同質化對產品收益的負面影響正日益加劇。在這種情況下，券商需雙管齊下——在量化策略模型研發方面，需助力量化私募基金堅持長周期、多頻段、大容量概念，持續提升長周期選股能力和短周期應對風格切換的能力；在數據質量提升方面，券商與數據廠商等需協作建立完善的數據治理框架，實現數據標準化、主題劃分、血緣追蹤、目錄管理、質量監控、安全保障和共享服務等功能，進一步提升量化投資相關數據的價值和效率，徹底解決數據源頭多、質量差等問題。在多位量化策略業內人士看來，盡管國內量化投資交易產業在過去10多年經歷快速發展，但與發達國家相比，國內量化投資交易仍處于發展初級階段，依然存在諸多有待完善之處，一是基礎設施服務有待提升，即當前各交易所、各服務商數據中心無論在資源數量，還是在交易服務等方面的資源依然緊張，隨著量化交易數據量指數級增長，加之策略模型復雜度不斷提升，數據中心需通過引入 GPU、FPGA、ASIC 等異構硬件，在滿足能耗要求情況下滿足更強的算力需求；二是量化科技人才培養需要加強；三是行業生態建設需進一步強化。比如券商等持牌金融機構可以進一步強化與量化科技生態圈的協同，從底層技術到數據中臺再到前端應用，基于開放理念，全價值鏈條尋找合作伙伴，共同推動技術應用進步，促進量化策略投研能力持續提升等。券商與量化私募的“相輔相成”國內量化私募興起以來，券商一直在努力深耕這個全新的投資賽道。在量化高頻交易流行期間，眾多券商紛紛研發極速交易平臺，協助量化私募基金高頻交易策略進行交易鏈路與低延時狀況監測，及時根據量化私募下單交易通道的流量狀況進行優化，助力后者實現更好的高頻策略執行效率。隨著高頻交易受到監管，加之越來越多量化私募開始聚焦指數增強、市場中性、CTA等多元化量化策略，券商開始在量化私募策略研發支持方面下功夫，包括提供大量另類數據、因子計算、數據挖掘等服務。如今，隨著越來越多量化私募機構開始借助AI技術研發新的量化策略與投資因子，券商紛紛在算力、算法等方面提供支持。中金財富信息技術部總經理謝碧松表示，回顧量化私募產業發展歷程，就量化投資相關技術支持需求而言，五年前整個行業在交易性能方面“卷”，兩年前整個行業在交易執行效率方面“卷”，近期又開始在深層次數據分析方面“卷”，但這都給券商、數據廠商、量化金融服務商提供新的業務拓展空間。許彥冰向記者透露，量化交易團隊的核心競爭力在于量化策略，而量化策略的好壞，很大程度取決于數據挖掘、算力算法性能與專業交易工具的高效運用，這都給券商賦能量化私募發展提出一系列考驗。“面對這些考驗，安信證券的做法是從私募量化基金交易全鏈路場景切入，提供極致交易鏈路、專業交易工具、算法超市等一體化解決方案。”她指出。記者多方了解到，極致的交易速度，一直是券商獲取量化私募基金青睞的重要“突破口”。因此量化策略對交易速度有著極高的要求，直接影響到前者實戰交易的成敗。許彥冰向記者透露，這些年安信證券在極速交易領域的投入相當大，包括抵近部署機房托管區的建設與搬遷，建設極速行情與極速柜臺系統，開展優化低延時網絡等研究，引入業界領先的低延時軟硬件技術，為量化私募客戶提供極致交易速度同時保障交易安全性和穩定性。此外，安信證券一面通過自主研發算法總線并陸續從數十家算法廠家引入20多種市場領先的第三方算法，令算法日均成交額達到數十億；一面提供市場研究、行業分析、財務數據、另類數據等策略投研支持，賦能量化策略更好更快迭代。記者多方了解到，除了策略研發與算法支持，越來越多中小量化私募基金更需要交易風控賦能，因為他們規模受限，無法對量化策略交易開展全流程數據回測分析與及時風險管控。眾多券商對此迅速做出反應——圍繞量化私募交易場景搭建交易風控平臺，實現量化私募基金交易風控管理的智能化與自動化，通過大數據平臺對量化策略交易記錄進行全程追蹤分析，一方面保障交易數據安全性，另一方面及時發現與控制風險。“試水”AI大模型尋找新賦能隨著ChatGPT與AI大模型技術的興起，越來越多量化私募基金紛紛借助AI技術研發新的投資因子與量化策略。“目前，國內絕大多數行業頭部量化私募基金都在布局基于AI大模型的量化策略研發技術路線。”一位量化私募基金技術總監告訴記者。記者獲悉，針對量化私募對AI大模型運用的龐大需求，眾多券商紛紛采取行動。比如個別券商正借助ChatGPT技術，將上市公司歷年財報數據與招股說明書進行“訓練”，以便量化私募基金迅速獲取自己所需的、完全個性化的上市公司數據信息。許彥冰向記者指出，最新的GPT模型已有數千億個參數，且屬于大規模預訓練語言模型，更接近人類在語言問題的思考方式。但在量化投資場景里，數值類型數據使用更加普遍。短期而言，GPT模型可能很難直接應用在量化策略里相對主流的數值生成模型，但其優勢仍可以應用在量化投資的其他方面：一是用于生成財經新聞、論壇評論、研究報告等文本數據，但它極大地提高文本數據數量與噪音，對文本挖掘相關的量化交易策略可謂有利有弊；二是用于量化策略代碼編寫，在接入數據平臺后可以實現交易策略的批量調參與樣本外跟蹤；三是ChatGPT具備強大的資源整合能力，在成為第三代搜索引擎后可以大幅提升量化資訊的搜集效率等。在她看來，盡管AI大模型技術在量化策略的應用日益普遍，但它的角色仍是量化策略研發團隊的“助手”，而不是“替代者”。因為一個行之有效的量化策略，需要量化策略研發團隊不斷挖掘數據，通過反復的數據回測進行因子計算與策略優化等。多位券商人士直言，隨著AI大模型技術令量化策略日益豐富，未來會有更多中小量化私募基金躋身百億規模之列，但他們的核心競爭力，不再是單一策略“吃遍天下”，而是數據、算力、算法等綜合能力的全面提升。期間券商要做的，一是提供全方位的賦能，二是讓優秀的量化策略產品觸達更多投資者，助力量化私募機構規模穩步增長。湘財證券總裁周樂峰指出，中小券商沒有辦法像大型券商般自主研發量化策略綜合服務系統，也較難花大量人力物力開展數據研發或系統研發等工作。“中小券商賦能量化私募基金發展，更側重實惠和實際。”他表示。比如中小券商與量化科技公司加強合作，一面思考如何將量化科技應用場景落實到券商交易系統，一面考慮如何將量化私募基金需求與最后交易下單應用快速聯系起來。整體而言，中小券商在量化交易服務過程，要形成具有特色的服務體系。