本文首发于公众号"私募排排网"。 （点击↑↑ 上图查看详情 ） 业绩方面来看，截至11月底，符合排名规则的量化产品数共1637只，合计规模约为1351.14亿元，今年1-11月的收益均值为27.29%，显著跑赢同 期大盘。其中，99位百亿私募量化基金经理管理的386只量化产品，今年来收益均值高达34.42%，收获14.04%的超额收益，明显表现更为优 秀。 | 公司规模 | 符合排名规则 的量化产品数 | 产品规模合计(亿元) | 今年来收益均值 | 今年来超额均值 | | --- | --- | --- | --- | --- | | 100亿以上 | 386 | 538.08 | 34.42% | 14.04% | | 50-100亿 | 165 | 174.88 | 25.23% | 10.31% | | 20-50亿 | 220 | 225.55 | 26.62% | 12.21% | | 10-20亿 | 176 | 125.97 | 25.37% | 10.10% | | 5-10亿 | 224 | 121.46 | 25.75% | 10.84% | | 0-5亿 | 466 | 165.21 ...

文章核心观点 - 基于AQR Capital Management对美股标普500指数长达60年的数据回测，传统的“逢低买入”策略在风险调整后收益和创造超额收益方面，长期表现均显著逊于简单的“买入并持有”策略，甚至不如“趋势跟踪”策略 [6][11][15] - 抄底策略失败的核心原因在于其本质是逆势操作，试图在由“动量”因子主导的短期下跌趋势中，进行基于“价值”因子的交易，往往导致投资者“抄在半山腰” [21][26][28] - 在熊市或危机时刻，“趋势跟踪”策略通过识别并跟随市场方向，能够提供显著的保护甚至正收益，而“可移植Alpha”组合策略（如100%股票敞口叠加65%趋势策略）被证明能有效兼顾牛市收益与熊市保护 [31][35][41] 抄底策略的实证表现 - AQR回测了1965年1月至2025年9月共60年的标普500数据，测试了196种不同的抄底策略组合（涵盖不同回撤深度、时间和持有期）[10] - 所有抄底策略的平均夏普比率比简单的买入并持有策略低0.04，风险调整后回报缩水16%；在1989年10月至2025年9月期间，缩水幅度更高达47% [11] - 抄底策略平均年化Alpha仅为0.5%，且仅有不到8%的策略显示出统计上显著的Alpha，表明其无法可靠创造超额收益 [15] - 长期持有（如5年）的抄底策略收益主要来源于市场长期上涨的Beta，而非择时带来的Alpha [19] 抄底策略失效的逻辑分析 - 金融市场存在“价值”和“动量”两大核心因子，价值回归通常需要数年，而动量主导周/月级别的趋势 [23][24][25] - 抄底行为是在动量主导的下跌趋势中赌立即反转，但市场下跌时具有惯性，导致投资者经常在下跌中继点买入 [26][27] - 数据表明，抄底策略与趋势跟踪策略的相关性为-0.14，证实其本质是逆势操作 [28] 趋势跟踪策略的对比优势 - 趋势跟踪策略在1989年10月至2025年9月期间，平均年化Alpha达到4.7%，远高于抄底策略的0.3% [31] - 在美股几次重大熊市中，趋势跟踪策略（以SG Trend Index为代表）表现出色：2007-2009年金融危机期间收益31.7%，2000-2002年互联网泡沫破裂期间收益51.4%，2022年熊市期间收益33.9% [35] - 在上述几次熊市的平均表现中，标普500下跌40.2%，抄底策略平均下跌18.4%，而趋势跟踪策略取得了28.6%的平均正收益 [35] - 趋势策略在2020年3月闪崩中亏损2.4%，主因是下跌过快趋势未形成，但此类短期波动对长期投资者并非致命威胁 [37] 优化投资组合的构建方案 - AQR提出“可移植Alpha”方案，构建一个组合：100%持有美股大盘（获取Beta收益），并叠加65%仓位的趋势跟踪策略（获取危机Alpha）[41] - 回测2000-2025年数据，该组合年化超额收益达5.0%，夏普比率为0.50，优于传统的全球60/40股债组合（年化超额收益4.2%，夏普比率0.45）[41][42] - 该组合中，趋势策略与股票市场长期相关性极低甚至负相关，两者形成对冲，能在股票大跌时提供保护 [44][45] 对投资者的建议 - 应戒除精准抄底的惯性，历史回测表明即使对过去十年表现卓越的“七巨头”股票使用抄底策略，也跑输了买入持有 [49][50] - 建议在投资组合中配置趋势跟踪类策略，其核心作用是在类似2008年或2022年的长期熊市中提供保护 [53] - 长期投资的本质在于持续在场，频繁择时交易往往以高难度换取极低甚至为负的超额收益 [54]

公司概况与运营 - 截至2025年12月，公司管理规模为470亿元人民币 [1][43] - 公司曾于2022年底达到500亿元人民币的规模高点 [3][46] - 公司当前规模未触及策略容量上限，在约2万亿元人民币的日均成交环境下运作舒适，内部设定若未来规模接近700亿元人民币将启动封盘或参数调整机制 [3][46] - 公司员工总数超过80人，其中投研和IT人员占比超过80% [8][51] - 截至2025年12月初，中基协登记显示公司员工数为36人，其中高管3人，正在运作产品313个，延期清算0个，提前清算104个，正常清算6个 [3][46] - 公司股权结构为何文奇占比50.5089%，张万成占比49.4911%，两人合计绝对控股 [4][47] - 公司计划将部分股权用于激励平均年龄30岁出头的核心投研队伍 [4][47] - 公司是国内早期从事量化投资的机构之一，从2014年开始发行阳光化私募量化对冲产品，2018年以前以自营资金为主，2018年后开始与银行合作代销 [4][47] 投研团队与背景 - 创始人/实控人何文奇是实战派，在A股量化投资初期就开始实盘交易，拥有超过10年的长期实战经验 [7][50] - 何文奇曾于2010年股指期货上市首日在千禧年基金担任高级研究员并参与A股对冲交易，履历包括清华大学学士、东京工业大学硕士，2008年起历任千禧年高级研究员等职，2013年9月创立公司 [7][50] - 投资总监/合伙人张万成博士，拥有北京大学物理学学士和中国科学院微电子学博士学历，2009年起历任世坤投资高级研究员、基金经理、中国区总经理、全球研究总监、首席研究官等职，曾带领全球超过300人的研发团队 [7][50] - 张万成于2020年正式加入公司并担任投资总监，带来了国际前沿的量化研究和大规模管理经验 [8][51] - 何文奇与张万成优势互补，何文奇负责交易、IT系统与对外关系，张万成主导投研全流程 [8][51] 投研技术迭代与策略框架 - 2022年以前，公司策略以传统多因子和统计套利为主，采用线性模型并辅以人工经验判断 [12][52] - 自2023年起，公司逐步转向以机器学习为核心的非线性建模框架 [1][12][43][52] - 目前模型库内常用模型约五六百个，实盘使用两三百个，涵盖深度学习乃至Transformer等复杂结构 [12][52] - 公司控制单一模型的最高占比不超过4%，整体模型占比不超过3%，采用多频段、多策略融合的方式 [12][52] - 硬件投入逐年递增，现已达上亿元人民币级别，强调按需配置、高效利用，在关键节点不惜成本采购高端显卡等紧缺设备 [12][52] - 策略体系呈现“双轨并行”特征：量价类信号基本由机器自动挖掘，而中低频基本面与另类数据则继续依赖人工构建因子 [12][52] - 预测周期覆盖广泛，包括日内策略和日间策略，回看窗口周期短至20个交易日用于高频预测，长至12年历史数据用于中长期模型训练 [12][52] - 风控层面，自2024年2月事件后新增硬性要求，所有新上线策略必须在中证1800指数范围内验证超额稳定性，尤其关注中大市值股票表现，防止过度依赖小微盘 [15][55] 产品策略与业绩表现 - 公司追求纯粹的Alpha收益，股票持仓数目是全市场最多的一家，持股高度分散，通过相对中高频的换手获取短期微小统计型获利机会累积Alpha [17][56] - 中证500指数增强策略自2021年7月21日建仓以来，在2022、2023、2024及2025年均取得正向超额收益 [17][56] - 2023年该策略表现相对平淡，主要受小票行情与公司内部机器学习策略转型的双重影响 [17][56] - 从2024年起，随着机器学习权重加大和技术迭代完成，策略超额能力明显回升，重回市场中上游水平，近两年超额排名稳定在头部管理人前三分之一 [19][58] - 在2024年2月小票崩盘期间，同业500指增策略平均超额回撤8%至10%以上，而公司产品的超额回撤仅为6.2%，随后在两周内修复60%以上，并于两个月内创出新高 [20][58] - 在2024年9月“924”行情期间，指数快速上涨27%，策略产生约2%的超额回撤，但在2024年11月实现单月7%的超额反弹 [20][58] - 该策略与目标中证500指数的相关性高达95.8%，在同类产品中位列第一或第二 [20][58] - 从长期持有视角看，无论投资者在哪个月份买入并持有满12个月，其超额收益均为正 [20][59] - 净值端最大回撤发生在2023年4月至2024年2月期间，幅度显著低于同期中证500指数-39%的回撤水平，且仅用18个月即完成修复，远快于指数所需的46个月 [20][59] - 空气指增策略是公司旗下进攻性最强的多头产品，无需严格对标单一指数，旨在通过灵活选股与动态调仓捕捉市场风格轮动红利 [21][60] - 空气指增策略以夏普比率或卡玛比率最优化为目标，在控制波动的前提下争取更高复合回报 [23][61] - 空气指增策略持仓灵活，例如2025年10月底持仓中证1800成分股占比约55%至60%，中证2000及更小市值股票占比40%；而在2024年大票行情好时，中证1800成分股占比可达70%甚至80% [24][26][62][63] 市场环境与行业观点 - 当前A股市场对量化策略极为有利，上市公司数量从2015年的不足3000家增至目前逾5000家，A股市值突破百万亿级 [28][65] - 市场流动性空前充裕，2025年多个月份日均成交额突破1.5万亿元人民币，9月曾达2.4万亿元人民币，远超2015年牛市峰值时的1.7万亿元人民币 [28][65] - 宏观利率环境进入长期下行通道，十年期国债收益率处于约1%左右的历史低位，推动资金向权益市场转移 [29][66] - 当前行情估值分化，沪深300市盈率约14倍、中证500为32倍、中证1000为46倍，真正泡沫集中于中证2000等微盘股 [30][67] - 监管态度趋于理性，2025年7月7日程序化交易新规落地，明确定义高频交易边界，合规压力减轻 [30][67] - 量化策略的核心价值在于持续获取稳定阿尔法，即使贝塔震荡，年化十几个点的超额收益通过复利积累亦具强大吸引力 [31][68] - 对于微盘股，由于头部管理人体量较大，持有比例通常很低，因超额贡献占比太低且需承担下行风险，性价比不高 [34][35][71][72] - 公司认为量化能力不止于算力，而是算力、算法、数据三方面的有机结合，不建议“唯算力论” [37][39][74][77] - 国内量化策略存在一定程度的趋同性，且量化产品第一名与最后一名的业绩差距比主观产品要小很多 [39][77] - 在2025年市场日均成交额达两三万亿元人民币的环境下，量化成交占比对市场的同频共振影响比较小 [42]

文章核心观点 - 人工智能正重塑量化投资行业 突破对传统经验的依赖并重构研究范式 [1][2] - 公司在策略研发中采用增量式创新路径 强调在稳健体系上引入AI技术以实现风险可控的Alpha [3] - 行业面临策略同质化、模型可解释性弱及极端行情适应性不足等挑战 [4] - 人机协同是未来趋势 AI作为工具提升效率但需与人类经验结合以实现更优资源配置 [5] AI对量化投资的底层重塑 - 人工智能标志性突破为2016年谷歌AlphaGo 推动新技术在投资领域应用 [2] - AI发展历经几度沉浮 最终因硬件算法升级及数据量扩大而颠覆认知 [2] - AI应用降低行业对稀缺经验型人才的依赖 降低门槛并重新定义研究范式 [2] - 新模式并非万能 科学应用仍需人类经验参与和控制 [2] AI在Alpha生成中的落地实践 - 公司在因子挖掘、信号预测、组合构造、交易执行等多环节使用深度学习模型 [3] - 模型从线性发展为线性非线性混合 产生良好应用效果 [3] - 公司采用严密验证流程 包括长周期回测、少量实盘、循序放量以降低风险 [3] - 技术创新需与稳健风控平衡 形成模型研发、回测、风控与交易执行的闭环 [3] AI落地过程中的核心挑战 - 量化市场策略同质化严重 AI模型易陷入拥挤交易 超额收益获取难度加大 [4] - AI模型存在可解释性弱、过拟合风险高的缺陷 难以精准匹配市场规律 [4] - 极端行情下模型适应性不足 常规数据训练的策略易在黑天鹅事件中失效 [4] - 挑战本质是技术潜力与投资本质的适配问题 [4] 人机协同的未来趋势 - 金融数据噪音大且变化 预测困难 AI模型并非完美 [5] - 投资不应偏科 电脑代表的AI策略与人脑代表的人工策略需兼容并包 [5] - AI作为工具可大幅提高投资效率 但人机结合才是资源配置的更优解 [5]

行业竞争格局与核心壁垒 - 量化行业准入门槛因算力成本下降、编程工具普及和数据获取便利而降低，策略同质化问题凸显[1] - 行业策略分化为两类：一类是规模大、参与者众、模型因子高度拥挤导致边际收益下降的多因子模型“红海”格局；另一类是以专业金融认知为底座、更具独特性与穿越周期能力的小众策略[1] - 量化行业正形成“工具驱动”与“认知驱动”两条不同发展路径，核心竞争壁垒在于对市场风格、经济周期、资金行为等多维度的专业理解，而非可复制的模型工具[1][2] - AI技术普及将加剧分化，预计八成的传统量化基金经理和依赖工具型策略的量化机构可能被AI取代，但基于深度专业认知的策略难以被取代[2] 公司差异化战略与策略理念 - 公司成立10年，在规模发展上保持克制，选择以风格择时为核心策略的差异化投资路径[1] - 公司核心理念为“守正用奇”：守持续稳健的正收益，用基于专业认知开发的AI量化策略[2] - 策略关注点从追求阿尔法（超额收益）转向捕捉因子的贝塔（系统收益），通过“风格估值-动量-有效资金流”三维框架识别市场内在规律[1][2] - 强调以长期有效的专业认知把握真正可持续的AI量化策略，认为未来竞争壁垒在于专业而非工具[1] 核心策略框架与风控能力 - 特色策略为风格择时指增策略，通过识别风格趋势构建稳健的指数增强体系[3] - 模型使用三类关键指标：风格估值（核心，判断不同风格相对性价比）、动量指标（捕捉趋势变化速度与方向）、定价者的有效资金流（关注对价格产生决定性影响的核心资金行为）[3] - 模型结合三类指标，可在日频到周频的不同时间维度上预测风格变化，预测周期最短一天半，最长可达数月[3] - 风控能力体现在极端行情中提前识别风险并迅速调整，例如在2024年初小微盘流动性困境时，通过将因子暴露调至均衡状态，使策略回撤幅度明显低于同类模型并在反弹阶段实现较快修复[3] 市场展望与投资观点 - 认为当前市场上涨趋势远未结束，未来仍有较大上行空间，市场处于多年难得的流动性宽裕阶段，是“流动性充分配合的最好时刻”[3] - 建议普通投资者关注风格的相对估值，避免一味追求热点，热点板块估值抬升后性价比下降应适当回避，可转向红利等具备更长期价值的板块寻找机会[4] - 认为科技板块内部存在轮动，细分方向性价比会围绕中枢波动，可进行高低切换，从长期看很多科技细分方向的需求规模和未来成长空间非常巨大[4]

公司获奖与荣誉 - 广州守正用奇在2025年11月28日荣获“2025年度三年期金牛量化机构（宏观量化策略）奖” [1] - 该奖项由中国证券报主办，是证券业金牛奖的重要组成部分，采用定量与定性相结合的评选方法，旨在遴选能为投资者带来长期稳健回报的专业资产管理人 [1] - 金融科技金牛奖是证券业金牛奖中极具时代感和前瞻性的重要奖项，旨在表彰金融科技量化领域在技术研发、策略迭代、风险防控和社会责任等方面的卓越机构 [1] 行业观点与讨论 - 在“AI重塑量化投资”圆桌论坛上，行业嘉宾就技术前沿、策略重塑、行业边界等内容进行了讨论 [1] - 公司董事长何荣天博士认为大模型无法天然具备因果逻辑，强调“相关性不能预测未来，因果律才是投资的核心” [2] - 何荣天博士提出未来五年“AI+量化”的发展方向是“收益持续守正，量化AI用奇”，主张在稳健基础上探索技术创新，运用AI提升决策质量而非替代决策本身 [2] 市场与投资策略展望 - 何荣天博士表示当前A股行情远未结束，是市场多年来流动性充分配合的最佳时刻，上半场尚未过半，下半场还有更大空间 [2] - 公司当前最关注风格的相对估值指标，建议投资者不应一味追求热点，需在估值高企或性价比低时适当回避，转向具有长期价值的股票 [2] - 科技股中的AI、新能源、储能等细分领域存在轮动，但从长期角度看，这些领域未来成长空间巨大 [2]

行业趋势与变革 - 人工智能将取代传统的量化投资基金经理，未来3到5年内不采用AI技术的量化机构可能被淘汰 [1][2] - 量化投资正迎来结构性重塑，新范式的大门已经打开 [1] - AI作为强大的建模工具，其应用类似于数十年前计算机在华尔街量化投资中的早期采用 [2] - 随着算力、数据和模型能力提升，机器在市场学习与模式识别方面的优势将愈发明显 [2] AI量化投资模式 - AI量化投资与AI围棋有相似之处，AI的出现为投资策略开辟了更多可能性，改变了传统模式 [2] - 传统量化投研流程可被AI端到端建模取代，该技术路线预计在未来几年成为主流 [3] - 利用人工智能技术端到端地进行建模是可行的，能整合因子、信号、模型与策略等环节 [3] - AI能通过大量数据更高质量地挖掘因子，其目的在于取代专家经验 [3] 新型人才需求 - AI投资时代需要复合型人才，即既懂投研任务又能将其转化为AI问题并解决的工程师型基金经理 [2] - 从业者的精力将从传统投研转向维护和开发更先进的人工智能系统 [2] - 所需人才数量可能更少，但对人工智能技术的理解能力要求更高 [2] 公司战略与竞争优势 - 公司团队全部由工程背景人员构成，包括计算机科学家和算法竞赛金牌选手，没有金融背景员工 [3] - 公司竞争优势源于三方面：头部的人工智能人才密度、比国内任何大学都更充沛的算力储备、行业前列的数据采购体量 [3] - 公司自主研发了专为实时建模与交易任务设计的AI实验平台，提升研究员实验与迭代效率 [3] - 公司定位并非传统量化私募，而是一家AI原生的计算公司 [3] 公司发展目标 - 公司中期目标是成为全球交易的量化管理人，长期目标是成为一个伟大的计算公司 [3] - 公司内核是AI原生，希望最终成长为智能计算公司，认为量化投资和AI应用是一种新型计算方式 [3] - 预计下一个十年中国基金管理人将走向全球，在国际舞台上与华尔街老牌机构竞技 [3]

行业趋势与变革 - 人工智能将取代传统的量化投资基金经理 [1] - 不采用人工智能技术的量化机构在未来3到5年可能会被淘汰 [1] - 量化投资正迎来结构性重塑，新范式的大门已经打开 [1] - 随着算力、数据与模型能力提升，机器在市场学习与模式识别方面的优势将愈发明显 [1] 新型人才需求 - AI投资时代需要复合型人才，既懂投研任务，又能将其转化为人工智能问题并用AI解决 [2] - 人的精力将从传统投研任务转为维护和开发更先进的人工智能系统 [2] - 所需人员可能更少，但对人工智能技术的理解能力要求更高 [2] - 未来需要工程师型基金经理，作为背后给机器不断升级的工程师 [1][2] AI量化投资方法论 - 传统量化投研流程拆分为因子、信号、模型与策略四条线，依赖大量专家经验 [2] - AI量化视四件事为同一件事，本质皆为机器学习，利用人工智能技术端到端地进行建模 [2] - 利用AI端到端建模的路线是可行的，并预测未来几年将成为主流技术路线 [2] - 只要给机器足够多的数据，AI能比人类更好地挖掘因子，且质量更高，目的是取代专家经验 [3] 公司战略与竞争优势 - 公司竞争优势源于对AI的深度投入，具体体现在三方面：人工智能人才密度处于国内外头部、算力储备比国内任何一所大学都更充沛、自主研发专为实时建模与交易任务设计的AI实验平台 [3] - 公司员工几乎清一色是工程背景，由计算机科学家和算法竞赛金牌选手组成，没有一名金融背景员工 [2] - 公司希望构建的不是传统意义上的量化私募，而是一家AI原生的计算公司 [3] - 公司中期目标是成为全球交易的量化管理人，长期目标是成为一个伟大的计算公司 [3]

AI重塑量化投资底层逻辑 - 人工智能大规模应用推动量化行业呈现前所未有的跃迁 投研体系与技术能力产生化学反应[1] - 行业变化体现为数据边界急剧拓宽 从结构化财务数据扩展到公告文本、舆情信息、论坛评论、图像材料甚至音视频内容等多模态数据源[2] - 中国量化行业十年前系统性引入机器学习模型 AI大模型出现让策略研发边界进一步外延 深度模型带来收益空间成为全球量化共识[2] 技术应用与策略重塑 - 机器学习一定程度上摆脱对经验丰富"老师傅"的依赖 以高效方式重新定义研究范式[2] - 在短周期策略中 行业不再只专注可解释性 深度模型虽不一定可解释但确实更有效[2] - 人工智能标志性突破为2016年谷歌AlphaGo及后续AlphaZero 显示机器在复杂决策任务中超越人类[2] AI应用挑战与局限性 - AI在回测环境表现惊人 实盘需解决解释性不够、样本外波动大、极端行情易失灵等问题[3] - 大模型本质是文字接龙概率游戏 无法天然具备因果逻辑 相关性不能预测未来 因果律才是投资核心[3] - 模型稳定性面临不可重复性和过拟合两大挑战 需将先验知识与经验嵌入模型 通过专业人员为模型加护栏减少黑箱效应[3] - AI模型存在容易过拟合、可解释性弱、过度依赖数据等问题 反对盲目跟风热点的替代式创新 强调基于既有研究优势的增量式创新路径[3] 行业发展趋势与人机协同 - 技术演进速度非常快 大模型相关知识几乎以每年一代速度更新 人才结构呈现加速年轻化趋势[3] - 收益持续守正 量化AI用奇 在稳健基础上探索技术创新 坚持价值投资理念 运用AI技术提升决策质量而非替代决策本身[4][5] - AI策略代表电脑 人工策略代表人脑 兼容并蓄的人机协同是更优资源配置思路[5] - 大模型不会只是工具 将逐渐成为投研流程的基础架构之一 从拥抱到融入AI变成投研底座能力[5] - 人机协作边界将更清晰 把已知交给机器 把未知留给人 人类在认知、判断与风险管理中承担更重要角色[5]

行业结构性重塑 - 量化投资正迎来结构性重塑，新范式的大门已经打开[1] - 人工智能必定会取代传统的量化投资基金经理[1][2] - 不采用人工智能技术的量化机构在未来3到5年可能会被淘汰[2] AI量化投资优势 - AI作为强大建模工具，机器在市场学习与模式识别方面的优势将愈发明显[2] - 利用人工智能技术端到端地进行建模，预测未来几年将成为主流技术路线[3] - 人工智能能更好地挖掘因子，且质量更高，其目的就是取代专家经验[3] 新型人才需求 - 未来需要复合型基金经理，既懂投研任务，又能将其转化为人工智能问题并用AI解决[2] - 人才精力将从传统投研任务转为维护和开发更先进的人工智能系统[2] - 所需人员可能更少，但对人工智能技术的理解能力要求更高[2] 公司核心战略与优势 - 公司选择AI原生量化路线，员工几乎清一色为工程背景，由计算机科学家和算法竞赛金牌选手组成[3] - 公司在三方面具备领先优势：人工智能人才密度处于国内外头部、算力储备比国内任何一所大学都更充沛、数据采购体量位居行业前列[3] - 公司自主研发AI实验平台，专为实时建模与交易任务设计，使研究员能在最高效环境中进行实验与迭代[3] 公司发展目标 - 公司中期目标是成为全球交易的量化管理人，长期目标是成为伟大的计算公司[3] - 公司内核是AI原生公司，希望最终成长为智能计算公司[3][4] - 在下一个十年，中国的基金管理人应该进行全球化交易，在国际舞台上同华尔街老牌金融机构竞技[3]