中國的量化投資從2017年的“量價資料+人工挖掘”，到2018年-2019年的“量價資料+AI演算法挖掘”，再到2020年的“大資料+AI演算法挖掘”，進化速度飛快，量化私募的管理規模也隨之快速增長。

進入數字化時代後，行業的核心要素（資訊、演算法、執行）都進一步受到了AI和大資料技術的賦能和提升。

一、量化策略與傳統股票策略有何不同？

以股票投資為例，經理有兩種方式。第一種，採用自上而下，即從宏觀經濟的判斷，到對行業景氣週期的判斷，最後才從看好的行業中選擇股票。第二種，採用自下而上，要關注個股如何選股，獲取資訊的主要方式來自上市公司調研、機構交流以及個股財務報告深度分析等研究方式，從資訊獲取到產生投資決策等一系列流程主要依賴人的大腦處理。這對投資經理的投資經驗及提前洞察市場趨勢，過往成功的經驗在不同的市場環境下是否能持續成功複製，都具有不確定性。

量化投資則不同。從公開的財務資料，價格及交易量，新聞及公告等資料獲取，模型構建，策略回測，風險控制等各個環節均透過計算機程式完成，投資經理的工作也基本全部透過電腦來完成。

二、量化投資面臨挑戰

一是隨著國內私募量化基金的急速擴張，頂級量化團隊軍備競賽日益激烈，技術競爭壓力凸顯；二是量化策略更新迭代逐漸加快，挖掘超額收益的難度進一步加大；三是市場風格切換頻繁，對股票量化策略的穩定性提出更高要求；四是打新收益不可能長期存在，絕對收益型量化基金業績經受考驗。非凸科技在這些挑戰下，仍堅持創新，持續迭代策略模型。

以量價策略為核心的私募為何都轉向了機器學習？

在量價領域，機器學習獲得的決策資訊是近乎完全的資訊，跟人類得到的資訊幾乎是平等的，利用強大的資訊提取能力戰勝人工挖掘的模型。在基本面領域，機器學習獲得的決策資訊是不完全且滯後的資訊，跟人類得到的資訊不平等。

三、

量化投資為何能盈利？

有頭部量化機構人士認為，量化投資之所有盈利，因為這兩個因素：

一是金融市場的弱有效性；二是統計方法的有效性

。

實際上，在人工智慧崛起之前，量化領域已經有了較快的發展。在進入數字化時代之後，量化投資在資料、演算法、執行方面都受到了衝擊。

比如，在資料收集方面。過去，是結構化、；而現在，AI技術增強了資訊提取的效率。

再比如，在執行方面。首先，是機器聽從人的指揮或者簡單訊號告訴執行交易訂單的1。0時代；其次，是研究人員研究統計模型並生成程式碼，再由機器提取並執行策略的2。0時代；然後，是經過資料清洗、資料關聯後，推導、建模都建立在智慧化基礎上，並透過深度學習歸納知識圖譜、生成交易策略的3。0時代（即深度智慧化時代）。

四、大資料+AI演算法

如今，全球量化投資決策已經處於“機器學習+深度理解”的狀態。中國的量化投資從2017年的“量價資料+人工挖掘”，到2018年-2019年的“量價資料+AI演算法挖掘”，再到2020年的“大資料+AI演算法挖掘”，進化速度飛快，量化私募的管理規模也隨之快速增長。

目前，

量化投資的大資料智慧化還面臨三大挑戰：

1。的挑戰。因為模態化的資料需要多模態的演算法來解決，且信噪比低，覆蓋股票數量要求高。

2。資料質量的挑戰。資料來源本身的錯誤或噪音；資料提取、更新的異常；資料在時間要求。

3。處理速度的挑戰。低延時+海量資料+7X24；AI算力的支援。