新浪财经 3月16日讯，3月15至17日，第12届中国（深圳）私募基金高峰论坛在深圳举办。在16日上午的期货私募与量化对冲分论坛中，上海富善投资有限公司总经理林成栋，创金合信基金FOF投资部执行研究总监谢江，因诺（上海）资产管理有限公司投资总监徐书楠，幻方量化研究所负责人陆政哲，致诚卓远（厦门）投资管理有限公司副总经理马海源，品今资产量化投资官张峰先生就2018年量化投资发展机会和挑战，进行了圆桌对话。
林成栋表示，量化行业最困难的阶段已经过去。2018年市场波动较大，做量化把握机会就会多一些。除此之外，政策改善也为量化投资创造有利坏境，不过市场竞争也将更激烈。
马海源认为，非理性的机会越多，量化抓短期的能力就会得以体现。如果市场风格从大盘股、白马股转向中小创，市场波动波动就会变大，其所反映的非理性机会就比较大，此时量化就可以发挥准确、系统获得收益的优势。在风格变换的背景下，量化交易需要通过数据再加上个人的主观判断，来跟上变化的趋势。
在谈及市场坏境变化是，张峰首先总结了四个原因：一是政策，二是来自IPO的停止发行，导致壳资源的迅速下降；三是证监会对股市操纵执法的力度加强，导致控制流动性不好的小盘股离场；四是一些北上资金紧随着大盘蓝筹股票标的配置。他认为，2018年想要突破重围，量化投资不能延续过去风格因子的规律，必须回归基础面，并善于利用大数据的AI。
对于人工智能的应用，陆政哲表达了谨慎乐观的态度。他认为，人工智能开始全面进入投资视野，主要有三个原因：一是基础的理论层面、基础的模型层面；二是计算能力的提升提供了工业基础，三是数据，人工智能基于数据的理论框架设定；随着整个IT社会的推进，社会整体数据量已经达到了可以应用的级别。尽管如此，陆政哲发现业界对于人工智能能否在量化投资里拿到超额的收益、拿到好的收益，仍然是存在着一些争议。
陆政哲
长期研究FOF的谢江，分享了对于管理人的投资能力的研究思路，他认为投资人的具体行动是至关重要的，要通过以往管理产品的净值等信息，建立模型，考察管理人是否“言行合一”。
谢江以下为圆桌对话实录：
祝芳芳：尊敬的各位投资者、各位来宾，大家上午好！非常荣幸主持本场的圆桌论坛，在上一组的圆桌论坛中，集中讨论了期货、期权和衍生品工具以及期货CTA的新思路，我们这场圆桌论坛将聚焦在量化策略和量化技术方面。我先铺垫一组数据，3月14号统计局刚刚公布1到2月份的经济数据，工业增加值、固定资产投资和房地产开发投资全部是向上超预期，然而市场并没有反映十分热烈。叠加12月中旬到今年3月以来全国宏观的冲突，包括全球的风险资产美元、美股、原油的演变，近期我们跟市场交流的情况分歧是比较大的，主要表现以下几点，简单举几个例子：
刚才李超也说了，去年做空国债是常有的策略，然而今年2月份到现在国债的收益率已经明显下行到3.8附近。还有黑色的商品也出现了明显的回调，这些是否将会持续呢？再加上大家很关注的创业板从2月到现在也反弹了20%，漂亮50的风光好象正在逝去，这些是否又意味着大类资产配置的风格正在发生变化呢？这些现象对于我们的量化投资，2018年在量化投资领域新的思路是否也会发生一些改变呢？
第一个问题我想请问一下马总，风险资产、债券、海外资产、股票市场风格切换的背景下，量化是否是春风吹又生了？
马海源：谢谢。量化的风险系统性、分散化、激励性的特征，它的特征可以克服人性的一些情绪和认知偏差带来的判断。如果市场波动越大、股票价格波动越大，所反映人的短期盲目、频繁交易、非理性的机会越多，量化抓短期的能力得以体现。如果风格从大盘股、白马股转向中小创，它的波动就会比较大，他所反映的非理性机会就比较大。量化就可以发挥它的准确、系统获得收益。
如果中小创的上涨空间大的话，对量化而言能发挥的比较优势。
祝芳芳：非常感谢马总，我们了解到致诚卓远量化的业绩非常优秀，今年你们觉得今年量化的策略，风格变换的背景下会有些什么样的变化吗？
马海源：对我们的投资团队来说，史总是做原子和物理的，对他来讲，导弹落在什么位置是用数据测出来的，对我们来说股票往哪里走，他用一堆数据，用做物理学核试验的数据来做，大家看到资产配置包括对冲工具、成分股来自于哪一份多一点，一方面是有人的主观判断，也有行情的反馈，之前的方法衰变了、弱了，就会用其他的方法。我们并不会像主动投资一样判断未来，但是我们会跟随市场的变化而变化，量化交易的特点是在于你能比别人更快，这个时候我们会通过数据再加上人的主观判断跟上变化的趋势和风格切换。
祝芳芳：非常感谢马总，我们可以看到量化在投资上非常重要的特点是克服了很多人性主观的弱点、主观的判断。量化投资本身在经历了这么多年的发展，自身也在内生不断的发展和完善，包括在系统的搭建、策略的研发和策略的实现纷纷加入了很多前沿技术，包括人工智能、机器学习，正是这样一波精勤、专业的机构引领我国量化投资的发展。
第二个问题我想请教一下幻方的陆总，人工智能的应用，未来在哪些方面会得到更长远的发展？
陆政哲：近两年的市场，不论是量化投资还是在工业界、图像识别、语言识别等领域，人工智能越来越受到大家重视，有一点是有必要检视一下人工智能本身的概念。如果我们追溯人工智能这个概念的话，其实在上世纪五六十年代已经开始萌芽，开始出现若干次的高潮和低谷。为什么在今天人工智能开始全面的进入到我们的视野里？这是需要我们重新检视的。我觉得是三个原因：
一是基础的理论层面、基础的模型层面，特别是神经网络，学者不断的推进理论的发展以后，我们看到有越来越多适应现在的理论框架是被搭建起来，我们看到现在运用比较多的包括图像领域的CNN、DL、DNN还有一些循环网络RIN等，开始全面的进入到应用的阶段。
二是为什么人工智能在今天爆发而不是二十年之前、三十年之前？因为今天我们的计算能力，我们说的算例真的达到了必要的高度。我们看1950年代，我们的集成电路里面只是用单个晶体管，我们的基本处理器运算能力是非常弱的，我们在今天看到那些GPU和Google开发的TPU，为也在开发所谓的NPU，这块整体的计算能力已经到了可以支撑它去进入到实际的工业应用层面的角度，这个为人工智能爆发提供了很大的工业上的基础。
三是数据，人工智能是基于数据的理论框架设定，但是在今天我们看到，不论是在交易的层面还是在一些信息的层面上，随着整个IT社会的推进，我们整体社会的量已经达到了可以应用的级别。
基于这三个大的框架人工智能在今天就得到了很大的爆发，但是有一点我觉得我们要去做澄清或是要做反思的。当我们说到人工智能这几个词语的时候，我们可能会觉得，是不是我开发出来这样人工智能机器就可以在任何的场景下甚至交易的场景下帮我去源源不断的做正向交易、赚取很好的收益？如果我们回到本源去看它的时候，我们看到目前大量的人工智能只是处于一个阶段，一个什么样的阶段？去认识世界、认知世界的阶段，还没有达到理解世界的阶段，人工智能在未来肯定会进一步推进，至少今天还是在这个层面上做一些努力，它更多是工具性的应用，这块我们要做澄清和反思的。
回到我们在量化投资领域如何去应用人工智能，其实现在业界对于人工智能能否在量化投资里拿到超额的收益、拿到好的收益，仍然是存在着一些争议。因为它里面存在很多问题，比如说整体的数据，其中我们的行情数据和交易中的数据很多相关性是非常强的。另一方面，我们在这个体系里也会用到很多各种各样的模型，最终他能不能够达到好的效果，我们不知道背后的原理，从这个层面上来讲，人工智能在量化投资领域目前还是存在争议的。
回到我们自身的投资上，我们从2016年开始大规模的在这上面投入一些人员和人力，去开发人工智能在量化投资里的策略。到今天为止，我们觉得取得了一些效果，今天如果看整体的管理规模，有50%以上都已经通过人工智能来做一些优化。我们在使用层面上，如果股票层面，更多用人工智能、DIL模型对他的多因子模式做组合的优化，这块是我们目前来说应用得相对比较成熟的一块，当然也在其他层面上用RN、传感器模式的模型对一些行情的交易做一些探索，当然自己也开始有一些成绩，这块是我们整体的运用。
就像我刚才说到的，我们对于人工智能的看法，整体是谨慎乐观的态度，目前而言，我们是用一个大胆的假设、小心求证的方式看待这个问题。实盘中反映出来的效果我们来看的话，比我们人工团队有非常大的提升，这个是必须承认的，因为机器、人工智能对一些高强度纬度的、非线性问题的优化和解决上绝对是碾压人类的。对于未来的看法，在中高频的交易策略中，人工智能替代人只是时间的问题，因为它对于模型本身的优化、对于模型本身的开发能力是非常强的，特别在一些领域，目前看起来，甚至用暴力计算的手段就可以达到非常好的效果。但是在一些中低频、基本面的研究领域，我们觉得在这上面人工智能是不可能替代人的，这个层面上，更多会用结构化的模式，最近被标普收购的Kensho，用智能投顾的模式，基本面的信息做结构化的处理，更多用决策束进行建构和处理，这个情况下会协助我们做一些推进的，这是我们的观点。
祝芳芳：感谢陆总，人工智能在错综复杂的量化投资方面，在某些方面，比如说需要大量计算能力中高频的领域它可能比人手工去做要得到更好的结果。然而在某些领域，需要我们主观判断的领域还没办法完全取代人类的大脑，人工智能在量化投资领域已经趟出了一些路子，还会有很长的路要面临。去年到今年市场上还有一个比较大的转变和投资，FOF投资已经被大众投资者接受，包括市场上最大的“金主”--银行也一直关心这个领域，请问一下谢博FOF在资产配置中有什么样的价值，量化技术在这个领域中又有什么样的应用和发展，我们可以做一些什么样的服务给FOF投资实现更好的结果？有请谢总。
谢江：谢谢芳芳，这个事情大家都在做，包括我们面对很多银行、保险、机构投资者，我自己就在做主动管理、管理人的挑选，对于机构投资者而言不陌生、很随性，对个人投资者而言也很随性，相信在座的FOF投资经理，每个人或多或少都买了很多基金，FOF本身面临一个问题，它的目的是什么？我们面对的资产很多、面对的策略也很多，面对的管理人员也很多，在座很多优秀的管理人，公募、私募的，今天主要是私募的管理人。面对很多投资者，不管是个人投资者还是机构投资者都需要解决的问题，我当然是想选择好的，这是目的，我怎么去选择好的资产、选择好的策略、选择好的管理人去获得我的收益？这里面也涉及到配置的问题，我怎么配置？FOF的目的就是解决这个问题。这里面衍生出两个重要的问题，一个是资产的选择、一个是配置，这两方面我们在FOF这边主要是为个人客户和机构投资者解决这方面的问题做些服务。
比方说我们面对的资产很多，资产方面的观点有很多专家、各方面的管理人都会去解读，这方面我们怎么用？这里有很多方法，今天主要是面对私募基金，我主要讲一下管理人，我们面对管理人的时候应该怎么做会更好一些？如果我们筛选过程中，如果做得不好，我们后面做配合的效果也是达不到的。筛选本身是怎样的策略、怎样的模型？量化能在里面发挥一些作用。
现在不管是公募、私募还是第三方都有FOF的管理团队，包括机构投资，怎么筛选投顾？首先会想到去调研、尽调，我主要谈一些我的经验，尽调肯定是需要做，我们面临的很多管理人是不是一家一家跑？这对FOF管理人也是不现实的。
FOF对于尽调而言这个策略怎么做？更好的可能性是第三方或是我们做一些调研的时候，主要做一些排雷的工作。对于管理人的投资能力这方面的研究，我觉得更看重的是管理人具体怎么做，说容易做起来难，怎么做我觉得最重要的是通过你过去产品管理的净值，其他的一些信息，能拿到的信息。可以建立一些模型，你说的和你做的是不是一样，确实有说得和做得不一样。我举一个例子，有一次我翻管理人的投资业绩，做某类策略的基金经理产品合同书上写得很好，翻他具体的持仓和净值表现，就发现他业绩做得很差，再翻一下发现做的东西和说的不大一样，说得和做得是不一样的，是从技术看确实很差，已经看出来了，业绩差很容易判别、业绩好也很容易判别，很多投资大佬不可能永远都是做得对的，我觉得投资总是起起伏伏的，我们用些什么样的模型判断做的结果，在面对困难的时候、面对逆境的时候是怎么处理的，有没有翻盘的能力，还是一直做错，做多错多。
我去调研的时候，自信心还是有的，会把自己说得很好，重点还是从我看你怎么做，我举了一个筛选的例子，可能还有其他的方法，可以采用一些方法判别你这方面做得是不是到位，选一些适合你风格的管理人，后面再去做配置。资产配置怎么做？有一些经典的模型、复杂的模型，这些模型不是公开的，大家怎么做？重要的还是前端的资产、策略、管理人，根据我们对这三方面的看法，你的看法是怎样的，作为基金管理人有没有很好的看法，采用一些适当的配置模型，配置模型今天不在这里讲了，有兴趣可以会后沟通。
配置后就是整个的管理，管理方面量化的方法，表现和当初所说的是不是一样，这个可以通过模型完成的，这方面是不是能够对投资人做及时的决策辅助？这个是很重要。
有的管理人工作净值回撤，是不是管理人把他干掉、把他撤了？不能这么简单粗暴，这个时候前面讲的尽调模型，这个差别很大，得去排雷，投资策略的运用过程中出现了问题，是不是能纠正过来？在我们的客户管理时也遇到这种情况。
服务于机构客户是经营的心态去做，对于个人客户我们提供一些标准、工具化的付费产品，这是我的想法，谢谢大家。
祝芳芳：非常感谢谢总，个人工具化的先锋做得比较知名的、著名的，相信创新合信未来在这方面的发展也会比较充分，非常感谢。
今天早上李超博士的宏观到商品的策略配置以及到刚才圆桌论坛上嘉宾所讲的，2018年可能面临纷繁复杂的市场，2018年量化对冲领域会有些什么样的新思路？接下来想请教一下品今的张峰总，2018年的对冲有什么突围之道吗？2018年对冲策略的发展会有些什么样的思路？有请。
张峰：谢谢祝总，很高兴有这个机会和大家分享。回顾量化对冲的发展历程，最早的对冲基金是2002年开始做了，一直到现在，2002到2004年这段时间是量化蓬勃发展黄金期，当时市场一直都延续着之前的风格，以散户主导炒作的风格，股指期货对冲的风险非常昂贵，2016年导致量化策略相对表现不尽人意。2017年又出了不同的问题，2017年主要是由于量化的Alpha 不存在，2017年的对冲成本下来，都是量化基金，也没有如期做出成绩。2017年整个行情是一九行情，10%的股票真正能跑赢沪深300指数，回顾2017年的市场，其实完全和之前的市场不一样。
市场环境变的时候，其实量化模型就会失效，我个人能数出来市场行情的变化主要是几点：一是政策，决策者的干预，这点对A股市场影响非常大，国家队的入场严重影响了市场自然的估值体系，这是一大原因；二是来自IPO的停止发行，导致壳资源的迅速下降；三是证监会对股市操纵执法的力度加强，也导致控制流动性不好的小盘股的离场，都导致小票流动性不好的股票业绩大大跑输整个市场的表现；四是还有一些北上资金紧随着大盘蓝筹股票标的配置。
如果回守看，除了小盘因素或是流动性因子之外，是不是价值投资在2017年非常有效呢？事实上也不是的，2017年主要还是一些龙头股，估值不是特别贵，流动性特别好比较适合配置，同时增长是比较确定的股票是受到市场欢迎的，这是2017年整体的表现，其他的股票都是属于被市场抛售的情形。整个市场总体的资金量是下行的，是所以市场是处于结构性的行情，有涨肯定就有跌。2018年我们对市场的判断也是一样的，整体降杠杆的情况下，尤其是很多信托、保险的计划进入股市，这种资金都会纷纷离场。整体来说，创业板和中小板估值还是比较偏高的，经济在冷却，这种情况下，除了阶段性的牛市之外，我觉得整个市场还是处于结构化行情，2018年量化怎么寻求突围？我个人的看法是，首先量化不能延续过去风格因子的规律，因为过去A股市场做量化的人都会发现，其实大家在2015年之前都可以做得很好的业绩，因为大家投的因子都是差不多的，而且这些因子都是偏风格因子，这种风格因子尤其是以市值、流动性因子为主的，这两个因子就能够让你做到平均的收益率在15%以上。
纵观国外的经验，风格因子做对冲基金是不行的，因为他的业绩随着市场环境的变化，他有很强的不稳定性，因为A股市场毕竟还是一个相对不成熟的市场，散资化到机构化再到政府的干预，整个宏观环境都是受到政策的影响。金融风暴以后美国的市场也经历了很大的变化，风格因子事实上在国际市场上来看是不适宜做对冲基金的，因为他没有长期的持续性。在国外做量化一般做风格因子，这些对冲基金基本上纷纷离场了，反而做技术面因子、另类数据的对冲基金能存活下来。
2018年我们怎么样寻求突破呢？我想到几点：
一是回归基本面，我以前在摩根斯坦利、花旗都是做量化的，我们做了很多年，我们利用公司平台的优势，公司内部有很多基本面的研究员，可以和他做很深入的勾兑，基本上每个行业都要做到能深深理解他们选股的逻辑，每个行业的逻辑都不一样，有些行业可以量化、有些行业不可以量化，要把他可以量化的成分提取出来，这是一块。每个行业完全不一样是人力资源的投入，这些人不单可以做量化，还是要理解基本面这块，需要一定的时间累计才能做成这样的业务。比如说我举一个例子，像白酒行业，白酒行业很重要的就是库存周期、白酒的市场占有率，每个行业的特点都不一样，这块需要时间慢慢的累计经验。
另外一块，做基本面很重的因素，做量化低频的策略要逆势回撤也不容易，决策是低频、中长期的投资，任何中长期投资如果下浮比不高的话，需要你对你的东西有很大的信心。
怎么样能提升量化在这个行业的优势呢？我们量化在这块也是比较下功夫在另类数据上的收集，这点和基本面有差异，我们有自己的优势，比如说家电，我们可以通过网络爬虫或是卫星对汽车的库存、对煤矿的库存进行扫描。今天我们已经实现对大数据的处理，抓到高频的基本面数据。什么叫高频？就不是我们按月度收集的销售数据，或是按季度的月报、财报数据，我们可以按天来收集这些数据，像前段老板电器严重跑输市场预期，实际上老板电器在线上的销售额已经到了30%，如果线上的数据能准确的掌握可以按天来收集这个数据，这点在A股市场变得尤为重要，A股市场每个行业都开始机构化，机构化以后最大的优势是信息优势，而不是你对他更长周期的判断优势，这点有点像赌大小一样，有一个赌的味道在里面。量化主要是增加交易次数、增加算率，增加基本面的研究。
二是用大数据的AI，AI这块我刚才非常赞同陆总的一些想法，AI我个人觉得，他会在中高频这块大幅提升我们的投资业绩，传统的统计方法对非线性关系梳理的时候，他缺少一些挖掘的能力，所以AI打开了这类的空间，但是AI对低频的投资提升空间有限，最大的问题还是数据的问题，低频数据的观察点样本是很小的，比如说持有一个季度、一个月，本来观察点很少，观察点很少以后出现非线性的多参数系统就导致过渡数据挖掘，这是一个问题。AI和传统数据统计方法不一样的地方是，传统的统计方法都有严谨的样本类统计自信度，大家是靠这个判断模型是不是有效，但是AI因为由计算机人员开发，他对自信度不是那么关注，他大量的参数还是非线性的，导致每个参数的自信度本身都不是特别好判断，唯一能判断的是样本内和样本外是不是一致。要导致样本内、样本外一致，事实上很难在低频的情况下做到，主要的样本量不够。
祝芳芳：从您刚才的阐述来看，2018年您觉得量化突围之道两点很重要，一个是基本面的研究要更加专注、更加加重；二是我们可以引入很多新技术，比如说AI、机器学习加入到量化中，让我们的量化投资面对纷繁复杂的市场可以有更多的出路可走。非常感谢您。
我想请教一下林总，一直在提大类资产配置，这样的框架下，您觉得量化Alpha 投资有些什么样的机遇？
林成栋：谢谢祝总，前面讲得很好，时间有限我简单一点，我就说几个自己的判断和感受，私募最早，我2007年开始出来做私募，我觉得我们也是赶上一波红利，2013年到2017年发展必须快，2017年算整个行业的挑战，2018年触底会慢慢起来，大的判断是整个行业量化最困难的阶段已经过去了，后面需要靠业绩来认可。去年最大的挑战是2017年做价值型多投下浮太高了，作为多投产品一路向上，收益率50%基本上没回撤，这样的比较效应下，哪怕你对冲赚钱、宏观赚钱都没有任何吸引力。但是今年不一样，今年2月份一跌回撤了10个点，大家发现原来这个东西也会有波动，这个对量化来说的比价效应各种策略都出来了。市场波动比较大，做量化把握机会多一点。
二是竞争会更激烈，我今天从香港过来，我最近在香港和国外比较顶级的交流，我感觉2013年到2016年还是有传统的一些做法，实际上国外有些高频包括人工智能，还是有一些先进生产。我想经过2017年的洗牌以后大家会发现，没有先进生产力的话行情不好都不赚钱，个人的Alpha 到底提了没有？2018年对所有的团队来说面临一个挑战，市场没那么好做、竞争加剧，这个时候需要有不一样的做法，怎么做前面几位都说了我就不重复了。一个是触底好转，又是三到五年的机会，中间会有波动；二是玩法要变了，对人才的要求更加剧。
三是从政策各方面的角度来说，对量化也会有些环境的改善。总体来说一个行业好了五六年也该洗洗牌再进行下一轮的发展，对于私募经过洗牌以后机会会更多一点，希望经过2017年的二次创业，2018年是再次创业，这次目标是应该站稳。像做股票一样，第一波冲上去要巩固一下，然后再上台阶，希望再起来的时候能够占有一席之地。
祝芳芳：感谢林总，林总十分谦虚，刚才一直在提量化投资中运用了很多前沿的技术，包括刚才提到的AI和机器学习，我了解因诺也在这方面布局了一些人才的培养，请问因诺的徐总，机器学习在量化领域应用的现状是什么样的，未来会有些什么样的发展？
徐书楠：感谢主持人。刚才对于机器学习这个领域，陆总已经讲得非常具体，讲得也非常完整，我非常认同陆总的观点，我简短一些，讲一下因诺在机器学习领域的布局和我们的感受。
讲到机器学习，现在说起特指的是深度学习的算法，因为在人工智能领域，取得突破的领域几乎全部用的深度学习算法，无论是语音识别下围棋还是自动驾驶，都是用的这种算法，深度学习这种算法又在投资中，在某些领域是有效果的，陆总刚才也讲到了。深度学习这种算法我们可以理解成处理大数据量的统计方法，虽然叫一些比较高大上的词汇，像人工智能、机器学习，其实没有太多的学习能力，也不是那么智能，其实只是一种统计学的方法，只不过这种统计学方法用在大数据量中非常有效，可以达到传统方法没有办法达到的效果，投资领域也是一样的。比如说投资领域我们发现把深度学习的算法应用在股票里，比如说Alpha，比应用在商品期货有用得多，股票比商品数据量大得多。具体到股票领域，用一些高频的数据，日线和日线内的数据比用低频数据有效得多，这个都是和算法本身的特性是非常非常有关的，因为他就是适合大数据量的运算，数据量足够大就可以达到非常有效的状态。如果数据量不够的话，可能效果还不如一些非常简单的统计学算法。目前我们的感觉是，人工智能、机器学习在量化中的应用最主要是在这样一些领域，能积累起比较大的数据领域，可以达到一些传统方法所无法达到非常好的效果。
当然缺点刚才陆总也讲得非常清楚，他毕竟是一个黑匣子，到底做得怎么样我们不知道，为什么做得好，为什么做得不好我们也不知道，只能相信一些结果，给出一些特定的输入和特定的输出，可以达到非常好的示范效果，为什么做得好？也只能从理论上解释，对于大数据量的适应性就是非常好，就是能关联起非常多的非线性的关系，这里也是有很多的长处，再有一些可以理解的解释就非常难，也是人工智能、机器学习这个领域的困难。未来我们还是非常相信这个领域在投资界是会有一些非常长足的发展，现在我们可以说这样的算法还是用在一些单一的领域和投资品种上，比如说我们只能给他一些股票的数据训练一些股票的策略，给他一些商品期货的数据做一些期货的策略，将来有没有可能把所有的股票、期货、宏观找到的数据全部给他，能让他训练出一种适应全品种的策略？长期来看是有可能的，目前对这个目标还相差非常非常远，这一点还需要非常长时间的努力才能做的到，对于这个领域的状态我们自己的评估是这样的，特有的品种上能达到传统方法达不到的效果，距离成熟的应用还有非常远的距离，这是我的看法。
祝芳芳：非常感谢徐总，国内游这样一帮专业、专注又勤奋的机构，在推动着我国量化投资的发展。历史永远是轮回的，2018年量化投资、量化对冲投资能否取得卷土重来非常亮丽的业绩，今天的讨论会给大家带来一些启发和思考，由于时间的关系，本场的圆桌论坛到此结束，谢谢大家，再次感谢各位嘉宾，谢谢。
责任编辑：石秀珍 SF183
