21世纪经济报道记者 陈植 上海报道

数据显示，截至今年一季度末，国内涉足量化策略投资的资金量超过1.3万亿元人民币，且百亿量化私募机构数量迅速增至逾30家。

与此对应的是，赋能量化私募发展，正成为券商日益聚焦的新业务增长点。

近年，国内券商投入大量精力资源服务量化私募基金，一方面为私募量化基金提供极致交易链路、专业交易工具等金融基础设施，另一方面为私募量化基金策略研发提供另类数据挖掘、算法算力支持等服务。

安信证券CIO许彦冰接受21世纪经济报道记者采访时表示，当前国内量化投资发展从2002年的1.0起步，发展至当前相对成熟的3.0阶段。但随着国内量化投资市场持续壮大，也出现新的发展痛点与瓶颈，一是随着量化投资资金规模不断增大，量化赛道正变得日益拥挤，量化投资规模增速呈现阶段性放缓；二是量化策略同质化令量化投资产品收益较大幅度下降。尤其是当前国内量化投资策略在数据来源方面（比如交易所基础行情数据）是重叠的，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；三是数据量的指数级增长同时，数据来源分散和数据质量却层次不齐，对量化策略模型复杂度、存储、算力、数据质量自身隐含的风险都带来较大挑战。

湘财证券总裁周乐峰直言，若只靠单一算法或量化策略获取长期稳定回报，相对而言是不现实的。因为所有量化私募基金都会涌入这个收益不错的策略。所以量化交易策略越来越拥挤，收益率越来越狭窄。这是大方向，但是不代表量化投资市场没有新的获利机会。

“要破解这些痛点与瓶颈，券商、量化私募基金与市场参与者需携手合作。” 许彦冰告诉记者。量化策略交易的主要目的之一是追求稳定的超额收益，但策略同质化对产品收益的负面影响正日益加剧。在这种情况下，券商需双管齐下——在量化策略模型研发方面，需助力量化私募基金坚持长周期、多频段、大容量概念，持续提升长周期选股能力和短周期应对风格切换的能力；在数据质量提升方面，券商与数据厂商等需协作建立完善的数据治理框架，实现数据标准化、主题划分、血缘追踪、目录管理、质量监控、安全保障和共享服务等功能，进一步提升量化投资相关数据的价值和效率，彻底解决数据源头多、质量差等问题。

在多位量化策略业内人士看来，尽管国内量化投资交易产业在过去10多年经历快速发展，但与发达国家相比，国内量化投资交易仍处于发展初级阶段，依然存在诸多有待完善之处，一是基础设施服务有待提升，即当前各交易所、各服务商数据中心无论在资源数量，还是在交易服务等方面的资源依然紧张，随着量化交易数据量指数级增长，加之策略模型复杂度不断提升，数据中心需通过引入 GPU、FPGA、ASIC 等异构硬件，在满足能耗要求情况下满足更强的算力需求；二是量化科技人才培养需要加强；三是行业生态建设需进一步强化。比如券商等持牌金融机构可以进一步强化与量化科技生态圈的协同，从底层技术到数据中台再到前端应用，基于开放理念，全价值链条寻找合作伙伴，共同推动技术应用进步，促进量化策略投研能力持续提升等。

券商与量化私募的“相辅相成”

国内量化私募兴起以来，券商一直在努力深耕这个全新的投资赛道。

在量化高频交易流行期间，众多券商纷纷研发极速交易平台，协助量化私募基金高频交易策略进行交易链路与低延时状况监测，及时根据量化私募下单交易通道的流量状况进行优化，助力后者实现更好的高频策略执行效率。

随着高频交易受到监管，加之越来越多量化私募开始聚焦指数增强、市场中性、CTA等多元化量化策略，券商开始在量化私募策略研发支持方面下功夫，包括提供大量另类数据、因子计算、数据挖掘等服务。

如今，随着越来越多量化私募机构开始借助AI技术研发新的量化策略与投资因子，券商纷纷在算力、算法等方面提供支持。

中金财富信息技术部总经理谢碧松表示，回顾量化私募产业发展历程，就量化投资相关技术支持需求而言，五年前整个行业在交易性能方面“卷”，两年前整个行业在交易执行效率方面“卷”，近期又开始在深层次数据分析方面“卷”，但这都给券商、数据厂商、量化金融服务商提供新的业务拓展空间。

许彦冰向记者透露，量化交易团队的核心竞争力在于量化策略，而量化策略的好坏，很大程度取决于数据挖掘、算力算法性能与专业交易工具的高效运用，这都给券商赋能量化私募发展提出一系列考验。

“面对这些考验，安信证券的做法是从私募量化基金交易全链路场景切入，提供极致交易链路、专业交易工具、算法超市等一体化解决方案。”她指出。

记者多方了解到，极致的交易速度，一直是券商获取量化私募基金青睐的重要“突破口”。因此量化策略对交易速度有着极高的要求，直接影响到前者实战交易的成败。

许彦冰向记者透露，这些年安信证券在极速交易领域的投入相当大，包括抵近部署机房托管区的建设与搬迁，建设极速行情与极速柜台系统，开展优化低延时网络等研究，引入业界领先的低延时软硬件技术，为量化私募客户提供极致交易速度同时保障交易安全性和稳定性。此外，安信证券一面通过自主研发算法总线并陆续从数十家算法厂家引入20多种市场领先的第三方算法，令算法日均成交额达到数十亿；一面提供市场研究、行业分析、财务数据、另类数据等策略投研支持，赋能量化策略更好更快迭代。

记者多方了解到，除了策略研发与算法支持，越来越多中小量化私募基金更需要交易风控赋能，因为他们规模受限，无法对量化策略交易开展全流程数据回测分析与及时风险管控。

众多券商对此迅速做出反应——围绕量化私募交易场景搭建交易风控平台，实现量化私募基金交易风控管理的智能化与自动化，通过大数据平台对量化策略交易记录进行全程追踪分析，一方面保障交易数据安全性，另一方面及时发现与控制风险。

“试水”AI大模型寻找新赋能

随着ChatGPT与AI大模型技术的兴起，越来越多量化私募基金纷纷借助AI技术研发新的投资因子与量化策略。

“目前，国内绝大多数行业头部量化私募基金都在布局基于AI大模型的量化策略研发技术路线。”一位量化私募基金技术总监告诉记者。

记者获悉，针对量化私募对AI大模型运用的庞大需求，众多券商纷纷采取行动。比如个别券商正借助ChatGPT技术，将上市公司历年财报数据与招股说明书进行“训练”，以便量化私募基金迅速获取自己所需的、完全个性化的上市公司数据信息。

许彦冰向记者指出，最新的GPT模型已有数千亿个参数，且属于大规模预训练语言模型，更接近人类在语言问题的思考方式。但在量化投资场景里，数值类型数据使用更加普遍。短期而言，GPT模型可能很难直接应用在量化策略里相对主流的数值生成模型，但其优势仍可以应用在量化投资的其他方面：一是用于生成财经新闻、论坛评论、研究报告等文本数据，但它极大地提高文本数据数量与噪音，对文本挖掘相关的量化交易策略可谓有利有弊；二是用于量化策略代码编写，在接入数据平台后可以实现交易策略的批量调参与样本外跟踪；三是ChatGPT具备强大的资源整合能力，在成为第三代搜索引擎后可以大幅提升量化资讯的搜集效率等。

在她看来，尽管AI大模型技术在量化策略的应用日益普遍，但它的角色仍是量化策略研发团队的“助手”，而不是“替代者”。因为一个行之有效的量化策略，需要量化策略研发团队不断挖掘数据，通过反复的数据回测进行因子计算与策略优化等。

多位券商人士直言，随着AI大模型技术令量化策略日益丰富，未来会有更多中小量化私募基金跻身百亿规模之列，但他们的核心竞争力，不再是单一策略“吃遍天下”，而是数据、算力、算法等综合能力的全面提升。期间券商要做的，一是提供全方位的赋能，二是让优秀的量化策略产品触达更多投资者，助力量化私募机构规模稳步增长。

湘财证券总裁周乐峰指出，中小券商没有办法像大型券商般自主研发量化策略综合服务系统，也较难花大量人力物力开展数据研发或系统研发等工作。

“中小券商赋能量化私募基金发展，更侧重实惠和实际。”他表示。比如中小券商与量化科技公司加强合作，一面思考如何将量化科技应用场景落实到券商交易系统，一面考虑如何将量化私募基金需求与最后交易下单应用快速联系起来。整体而言，中小券商在量化交易服务过程，要形成具有特色的服务体系。