【大咖对谈】浙商基金查晓磊：投资下一站——大数据与人工智能
来源：浙商基金微视界
1、金融科技的前沿技术
2、浙商特色大数据的应用
3、AI在消费行业投资中的应用
4、人工智能在金融领域的应用现状与前景
5、智能投资的未来
主持人
严佳炜 华安证券研究所金融工程首席分析师，所长助理主讲人查晓磊 浙商基金智能权益投资部总经理
严佳炜：各位尊敬的投资者，大家早上好，今天的主题是“投资的下一站：大数据与人工智能”，那我们今天就和大家一起分享一下我们在金融科技领域的一些探索。先自我介绍一下，我是华安证券所长助理、金融工程首席研究员严佳炜。今天我们非常荣幸地邀请到了浙商基金智能权益投资部总经理查博士。我们一起和大家探讨一下，金融科技的一些前沿领域，以及浙商基金在金融科技方面的一些成果，人工智能、大数据在投研方面的一些应用，以及浙商基金相关产品序列。首先有请查博介绍一下您这边整个团队的情况，给我们展示一下浙商基金在大数据人工智能、金融科技的布局。
查晓磊：各位屏幕前的投资者朋友们早上好，我是浙商基金智能权益投资部的查晓磊，今天非常感谢有机会跟华安证券的金融工程首席严佳炜老师，和我一起来跟大家分享和交流。浙商基金作为一家公募基金的管理人，我们从上而下提出了科技驱动价值的的愿景。不管自上而下还是自下而上，我们公司强调通过科技的手段，包括大数据、人工智能的方法，来帮助更好地进行投资管理和组合管理，包括设计相应的基金产品，这是公司大的战略层面的愿景。我们主要是做权益方面的投资和产品的管理。在具体的应用方面，大概从15年到现在，经过大概五年左右的时间，从一开始的大数据到后面的人工智能，在最终的产品应用上，其实也是逐步摸索过来的，逐步有了一些具体在产品管理过程中的切身的感受，逐步形成自己比较有特色的产品线。所以现在浙商基金权益产品线，应该说每一条都是跟科技、跟人工智能关系度比较大，我们现在在AI框架下大概有四条比较核心的产品线。
第一个产品线是通过AI的方式直接构建组合的，叫做AI驱动的产品，或者是偏股型权益型产品。
第二个产品线是主动管理的产品，AI系统会有辅助，或者通俗一点叫加持，叫AI辅助下的主动管理产品线。
第三个产品线是AI的β产品线，通过AI的方法做指数增强的策略。
第四个产品线是AI应用于多资产类别，跨大类资产配置，目标收益或者偏绝对收益的产品线。
严佳炜：刚才查博详细地给我们介绍了浙商基金在金融科技方向的规划与布局，以及四条相关产品线。关于浙商基金，我也做了一些功课，了解到浙商基金在人工智能、大数据领域的布局在国内资管界中相对是非常早的，在2015年浙商基金就确定了“科技驱动价值”的发展理念。我们回过头想一下2015年我们生活中的科技应用，当时微信、支付宝这些平台，刚开始大规模的普及。因此，浙商基金能够在2015年就开始进行人工智能的布局，这在国内大资管的公司中还是走在时代前列的，非常具有前瞻性。
那我们刚才聊的是浙商基金的情况，我也向各位投资者介绍一下华安证券的金融工程团队。华安证券作为一家总部位于安徽的上市券商，2020年在研究所尹沿技所长的带领下，搭建了完整的卖方研究团队，部门大力扩张卖方研究业务，力图打造成为卖方市场有影响力的新兴力量。我们研究所目前有70多名研究员，涵盖了几乎所有的研究领域。然后我这边主要是带队金融工程团队，目前组内一共4名成员，其中大部分有五年以上的卖方金融工程经验。我们金融工程团队的研究方向除了刚才提到的金融科技领域外，还包括以下几块：
第一块是传统量化研究，例如因子选股、行业轮动、择时等，这方面的研究我们一直在做，一直在创新。
第二块是基金产品研究，资管新规后，净值型标准化的基金在配置中的比例会越来越高，所以在基金研究这一块，我们有相当多的人力物力在进行布局，这是我们整个团队在研究上的情况。查博也不妨介绍一下，你这边手下团队、人员结构等。
查晓磊：说到人员包括组织架构，浙商基金在“科技驱动价值”的愿景下，我们在组织架构层面也做了自己的一些探索。最主要在权益部门，我们可能与传统的有主动管理和量化投资两个部门的基金公司不同，在我们浙商基金内部是合二为一的。所以我们不倾向把原有的部门和两个团队区分那么开，希望把两个来自不同背景的人员结合起来，一方面是来自主动管理，大家去做公司研究，去做行业基本面研究，另外一方面是从原来做量化的研究到后来涉及到AI、金融科技方面的研究。所以在组织架构上我们是一个大的权益部门。这也是我们自己的投资策略体系，叫做“AI+HI”，希望把AI的优势和HI主动管理人的智慧的研究优势相互结合起来，这个结合要有组织架构方面的配合。而在有一些资产管理公司里量化和主动管理分为两边，有竞争的关系，但在我们内部一定是相互赋能、相互融合的关系。
具体到团队人员，我们现在权益部门规模较大：首先，投研一体化，大概有20多个同事，有6个左右的同事涉及到量化、AI方面，包括之前在百度的向博士，有较长的人工智能经验，还有做量化研究的同事。另外，十几个是主动管理研究员，包括主动管理的基金经理，大家在研究的专长、研究的领域各有侧重。但是对于我们产品输出来讲，我们希望把大家不同方面的聪明才智和技能整合到一起，相互赋能、相互协作，体现到刚才讲的浙商基金四条产品线中。
严佳炜:我们可以看到浙商基金在金融科技方面的人员配置是非常优秀的，包括我了解到有团队成员之前在BAT工作过，所以我觉得无论从人员配置还是战略布局，浙商基金在大数据人工智能领域做的还是非常有前瞻性的。
既然大家现在对查博士的团队已经有了比较初步的了解，那我们就把话题切回到今天的主要议题金融科技这条主线上来。就我自己这几年的感受，国内科技领域的发展还是非常快的，特别是十年前，大家觉得科技和我们生活结合的程度就没有那么密切，但随着这几年的发展，科技处处融入生活的感受越来越明显，比如说，线上支付平台的渗入，我们现在人民币现钞支付的情景已经很少了，出门完全不需要带现钞，比如我们去超市，甚至盒马，以及一些线下便利店都开始做无人化的线上支付，取代传统的收银员等等。这种购物体验与情景，在十几年前，是完全无法想象的。我们现在只要携带一个手机，就能把生活环节中方方面面能够搞定，甚至包括政府的办事窗口，在疫情后也逐步转到了线上平台上，例如上海的一网通办，能够非常便捷地解决居民办事需求，而不用像之前那么繁琐。
我另外再举个大数据应用的例子，大概一个多月前我去过外地省份，当时返沪后正好赶上浦东新区疫情，就接到那个省份的防疫大数据办给我打来的一个电话，询问我的一些情况。可以看到，这是移动大数据在疫情的管控方面的应用。刚才我介绍的，都是大数据、金融科技在我们日常生活中应用的例子，想请教一下查博，在金融领域，您觉得科技有什么前沿的应用？
查晓磊：关于整个行业里面的科技应用，需要先对行业有一定了解。AI或者科技在金融领域的应用，有些金融子领域已经用到比较多，有的相对已经比较成熟，我们会把它分成三块：
第一，传统业务方面。在大的金融领域，传统业务上的流程改造或者效率的提升。最早像信用的定价、保险的定价，大数据分析会提升定价的准确性或者定价的差异化。比如手机上的网贷平台，通过日常支付的数据分析，甚至行程路径的分析，会综合定一个信用的价格，如果信用比较好，会给你比较低的贷款利率。保险也是一样，比如开车的车险，每年根据你驾驶的行为、驾驶的数据做出差异化保险方面的定价。
第二，财富管理领域。在客户端，有很多用大数据和人工智能方法进行客户画像的分析。通过日常的行为数据，挖掘风险偏好，或根据本身的整体家庭或个人财务的状况，会推送不同的财富管理方案。比如分析出来是风险偏好比较高，或者风险容忍度比较高，会推送比较激进的产品和策略。传统的银行、新兴的互联网公司都有类似的产品。
第三，资产管理领域。资产管理在科技和AI方面的应用相比金融其他子领域来说是比较慢一些的。原因有多方面，最核心的原因是在整个金融行业里面，资产管理是比较复杂的一个环节，牵涉的方方面面比较多，需要考虑的问题也比较多。但这也是目前浙商基金探索重要的方向，就是科技和AI在资产管理领域里，到底应该怎么去用，怎么发挥科技的重要力量。
严佳炜: 就我对金融科技的理解，它其实是一个非常广义的概念，刚才我们提到的移动支付，区块链，以及查博提到的在银行、保险中的应用，其实都可以算作是金融科技的范畴。该领域近几年海外也涌现了相当多的公司，例如比较有名的Kensho本质上是做财富管理领域投资者与产品之间适当性匹配的，dataminr则是专注于用实时AI技术监测风险的。对标国外的，国内也有众多排名前面的互联网公司，或多或少都在从事该方面的研究。
我们自己这边，也有在做投资者的舆情分析，卖方分析师报告情感分析等，这些也能算金融科技的范畴。另外比较高科技的应用是，之前大家可能也听说过海外有公司做卫星遥感数据的应用，那我前一段时间看到国内也有公司做卫星数据分析，例如看超市停车场车辆的数量判断超市零售销量，通过远洋货轮上面货物的数量，判断航运方面的情况。通过这些数据反映公司整体的经营状况，然后再映射到实际的投资中，这种应用就是比较前沿，得到的数据也相对更有前瞻性。
查晓磊：有价值的数据，可能传统数据不是所有人都能拿到的，但是一旦有这样的数据，对一些关键的投资领域确实作用比较大。
严佳炜:另外我想到一点，浙商基金的母公司集团方面应该有比较多的特色大数据，例如一些支付、舆情、电商等方面的数据。查博能否给我们介绍一下，您这边浙商基金比较有意思的大数据，或者说可以直接映射到投资领域的大数据，有哪些？
查晓磊：数据是投资的基础，是所有事情的原材料，有了数据才能进行具体投资方面的分析。从数据来讲，我们团队在过去五年多的时间里，前两年绝大多数时间是花在整个数据体系的建设上，建立了六大维度大数据的体系，现在也有一种说法叫做“另类数据”。涵盖的维度有：
1、 传统的市场数据：市场交易的各种数据、上市公司公布的财务报表的数据等。另外五方面的数据相对要花一些技术的手段，或者通过一些合作的方式获取。
2、 电商的数据：与终端消费品相关的，很多渠道除了线下传统的渠道之外，也开始逐步转到线上，线上电商平台上的销售数据或者流水的数据，对一些消费品行业的景气把握相对比较前瞻，可能会更加实时一点。
3、 舆情的数据：通过各种新闻媒体的报道，尤其是财经媒体的报道，去度量市场的情绪和热度，除了总量层面，可能还有具体的行业、具体的板块，涉及到具体的公司热情舆情上面体现也不一样。
4、 支付的数据：这其实在国外也有相关的应用，比如通过一些合作的方式，根据信用卡的刷卡流水去分析大家支付的行为、资金流向的行为，看一些行业景气的变化。
5、 论坛的数据：论坛里除了刚才讲的跟舆情相关的不良情绪，更多能发现一些微观的和蛛丝马迹的变化。在论坛里面通过自下而上的观察和筛选，社会大众发的贴子里可能会透露出一些比较重要的信息。因为大家可能表述日常生活当中观察到的事情，或者听到的一些事情，这些事情对于他来讲是不经意的信息，但对于投资者如果能够捕捉到比较关键的信息，可能相对于市场绝大多数的参与者来讲，会有一定的提前性。
6、 各个细分领域的数据：总量来讲不亚于前面五类的数据。细分行业是要落到特别细分的领域，即这个行业的人员关注的数据，这些数据可能不是资本市场特别关注的，统称来讲是行业数据。不同的行业需要不同的数据，具体挖掘下去，数量级别也是挺可观的。
基本上来讲就是市场、舆情、支付、论坛、电商、整个大的各个细分行业的六大维度的数据体系。
严佳炜: 我们团队对大数据领域也有一些粗浅的研究，从我们的感受，传统数据，例如行情或者基本面数据指导投资的逻辑是较为直观的，比如一个基本面比较好的公司在二级市场就有较佳的表现。您刚才提到一些例如支付、电商数据，这种数据业内被称为非结构化的数据。这种非结构化的数据，它对投资的指导逻辑就没有那么通顺，研究员需要深入挖掘数据中潜在的逻辑，进一步映射到上市公司基本面上。大数据对于投资的指导意义，不像传统数据这么直观。
浙商基金早在2017年发行了“浙商大数据智选消费基金”，在这三年多基金产品的运行管理中，查博肯定也积累到非常多的如何运用大数据的经验，因此，查博能不能向我们分享一下，您刚才提到的大数据，对于指导投资的逻辑是否通顺，是否具有一定的前瞻性？
查晓磊：是这样，浙商大数据智选消费是偏消费行业的，所以你刚才提的像电商、支付这两个数据上来讲，它的应用对接其实要更加直接一点，因为它能够观察到终端细分的消费行业景气度的变化。
其实大的逻辑是这样的：从基本面角度来讲，假设没有任何外部信息的情况下，我们唯一获得对一个公司或者对一个行业的信息，就是看它每一个季度发布的财务报表，看这个公司过去一个季度的营收怎么样，获得多少利润，盈利能力是变强还是变弱。通过财务报表分析，全市场投资者都可以去做，因为财务报表对每个人是公开的、公平的。对于瞬息万变的资本市场来讲，财务报表效率上就会偏慢一些，财务报表少则一个月，多则两个月、三个月，可能最多要将近4个月之后，才能够观察到财务报表的变化。
碰到这样的问题，比如通过电商流水或者支付数据，能够更加实时地把握这个公司或者行业景气度的变化，进而推导当期的财务报表是往好的方向变化还是往坏的方向变化。但是从数据分析角度来讲，不可能跟它最终的财务报表完全吻合，只能大体上可以推导它变化的方向，对资本市场价格会有一定的前瞻性和指导性。
我们还可以通过其他刚才讲的各个细分行业的数据，包括我们所能挖掘到的券商研究所、各个行业大家草根调研的数据，都是可以通过数据连接起来之后，能够发现一些前瞻，实时同步发现一些景气度、基本面层面微观的变化。这是我们日常使用最多的场景。总结来讲就是通过数据各种分析，实时同步能够刻画出一个公司或者是一个细分子行业在当前情况景气度变化的方向。
严佳炜: 大数据应用的难点，一方面是大数据的获取，这块其实需要做很多前端的工作，比如如何把这些非结构化数据转化为结构化的，如何克服各种IT难关，甚至有些部分你可能还需要加入一些人为的处理判断；另外一个难点我认为是如何理通数据与投资之间的联系，查博刚才已经给我们非常详细地介绍了，在消费领域，大数据如何指导投资。浙商基金在去年2019年发行了一个全行业的大数据基金产品，您能否介绍一下，其他的一些非消费类的行业，如何运用大数据指导投资？
查晓磊：其实从我们做的顺序来讲，最早实际上是从周期和消费两个行业开始入手的，所以我们第一个产品浙商大数据智选消费也是跟消费相关，到现在我们基本上能够拓展到市场上几乎全行业的覆盖，可能还有一些细分的子行业还没有覆盖到。从其他行业覆盖的结果来看，包括在科技、金融、能源、制造的板块，都有相关数据分析、模型训练的结果。从我们自己的切身实际做的感受来讲，实际上每个行业最后做法，差异还是蛮大的，最大的问题就是周期和消费这两个行业，怎么样用一个数据分析这两个行业中间的逻辑会出现巨大的差别。
举一个简单的例子，当然也不是对所有的周期和所有的消费子行业都一模一样，大体上来讲可能会分成两个截然对立的情景，比如周期数据，从投资角度来讲，我们希望这个数据越差，作为投资来讲反而是比较好的时间点，一般这个数据变得特别特别好的时候，从投资角度来讲，可能对一个周期内的公司或行业来讲，反而不应该买入，甚至是要变成一个卖出的信号。反过来对消费行业来讲，未必就是相反的情况，它更多是不断将我们观察的数据和市场预期的数据差距去度量，我们观察到整个数据情况在变好，景气在变好，这个变好如果没有赶上券商分析师整个市场一致预期变化速度，即使变好对投资未必是一个能够获得比较好的收益投资。
另外，如果是变好但整个市场的预期没有跟得上变好的节奏来讲，这时候对于投资来说又可以变成可投资的节点了。这中间的过程，从我们自己的原则来讲，希望对每一个行业单独建模，找到每个行业所适用的模型，所适用的数据跟踪的方法、数据跟踪的维度，最终做到每一个行业用一套不同的数据来跟踪，这个数据是驱动这个行业基本面最核心的数据。同时基于每个行业不同跟踪的数据，能够训练出不同的基于数据的投资逻辑。有的行业偏逆向的，差的时候买，好的时候卖，有的行业可能是偏趋势的，有的行业偏市场的，以至于此起彼伏的关系，具体落实到每个行业，背后的逻辑其实都是不一样的。
首先，跟踪的数据不一样，其次，基于这些数据做行业层面的判断，判断一个行业投资机会的好坏背后的逻辑也不一样。所以我们现在最后方法就是把本来投资大问题切分成上百个细分的问题，每一个问题单独去解决，再把拆卸的问题组合起来，对于投资组合来讲，最后呈现给大家是一个产品组合的净值、产品组合的业绩。
严佳炜: 刚才查博提到会把很多问题拆分成上百个细分问题，我们是否能把这上百个问题的解决方案，理解为你们之前所说的AI投资机器人的概念？
查晓磊：对，在我们内部拟人化的把它叫做AI投资机器人，一个小问题就相当于有一个小机器人在帮我们去跟踪。除了十几个人类主动管理的研究员，剩下可能还要大批量几百个模型，通过机器人的不断跟踪，基于数据的变化起伏，有不同的信号提示。通过AI的方式训练出几百个虚拟化机器人的小研究员，每一个机器人的小研究员专门盯一个小的细分问题，一个细分的子行业。
严佳炜: 我们团队之前也是做了很多传统量化研究，大家都是基于量化因子去构建多因子模型，每一个因子代表的是市场的一个风格，至少从长期来讲可以赚钱的一个稳定的阿尔法因子，但是您这边相当于把这个因子再拓展到了新的维度，每个投资“机器人”专注于某一个细分的行业。但我很好奇一点，这些AI机器人的构建或者打磨过程中，是纯量化的研发方式，还是会参考一些HI（人脑智能）的经验，比如会结合行业研究员定性的行业逻辑？
查晓磊：这个答案是肯定会的。我们一直讲浙商基金是AI+HI，包括我们一开始提的组织架构设置，最直接的目的就是希望我们的AI研究员、AI基金经理跟HI主动管理的研究员、基金经理有比较好的交流和互动。我们现在所有训练出来的模型或者机器人，从单纯AI或单纯量化或机器人训练角度来讲，其实没有创造出额外投资的智慧，阿尔法更多是通过从人那边学习之后，通过量化模型、量化机器人才具备投资的能力，或者是说对一个它所负责的行业才具备一个初步判断投资价值的能力。
打一个比方，AlphaGo本身是靠计算机科学家写一个深度学习的代码，然后有这样的模型。其实AlphaGo本身不会下围棋，只有在这个框架和模型之下，再把人类历史上几万甚至几十万的棋谱输入进去之后，让它学习完之后才会下围棋。所以我们回过头来想这中间最关键的是它为什么会下围棋？
在于它学习的“棋谱”。如果没有这些棋谱，只靠深度学习的模型来讲，框架是有，只能证明AlphaGo具备学习下围棋的能力，但是如果没有棋谱给它学习，它也不会下围棋。所以我们现在相当于是第一代的AlphaGo，通过跟HI主动管理的基金经理、内部的研究员、券商的分析师、各个行业的分析师梳理和总结各个行业的“棋谱”。总结出来之后，在AI的训练学习框架下，让机器人把这个棋谱学会，学会之后它才具备了投资的能力，所以整体逻辑框架是把人的投资智慧通过学习变成机器的投资能力。
严佳炜: 刚才听了查博的介绍，我突然想起在机器学习领域有句话叫做“Garbage in, garbage out”，意思就是说，如果你把一些垃圾数据扔给模型，它生产出来也是一些垃圾信息。其实，我能理解，您刚才说的整个决策体系中，数据是基础的，当然更重要的是什么？更重要的是HI（人脑智能）这块，也就是所谓的“棋谱”。只有把有效的“棋谱”教给模型，把有用、有效、经过市场检验的投资经验输入到模型里面去，模型才能越学越聪明，从而能够应对不同的市场环境。
查晓磊：对，实际上就是说，梳理“棋谱”的过程还是挺关键的。这里有一个性价比的问题，经过“棋谱”的梳理之后，提升整体输入海量的信息，并不是把市场所有信息一股脑全部输入进去，这样对训练模型的稳定性、预测性、外推能力是比较差的。当把棋谱梳理之后，进行逻辑层面的筛选，就像我们原来做量化都可能半开玩笑说“很多模型更多是数据的推演”，但如果只是数据推演，我们发现很多模型一旦到了预测、样本外，就出现整个能力大幅下降。我们现在更多是做一个逻辑的推演，逻辑推演相比数据推演整个外推的能力，应该来说更加的稳定、靠谱。数据未必能外推，当然逻辑可能有变化，但大的环境或者大的结构没有出现变化情况之下，整个逻辑其实是相比数据更容易去外推的。
严佳炜: 另外，各位投资者可能比较好奇，万一上百个AI机器人，以及HI人工，产生不一致的观点或者信号的时候，例如一个AI看多某行业，但是另外一个AI是看空的；甚至说行业研究员看空行业，但AI信号是看多的。这种情况下你们会怎么判断？
查晓磊：这比较有意思，首先比如模型或者机器人之间出现观点不一致的情况下，我们做法比较简单直接，就是由市场验证优胜劣汰。虽然我们目前体系里面大概有几百个机器人，但在过去几年时间里面，各个细分行业指导各个上市公司训练出来的模型达到上千个，在这个过程中更多的大几百个已经被淘汰掉了。原因就是一开始训练的时候确实结构比较好，优胜劣汰的机制下，它会逐步被一些能力更强的模型给替代掉。
怎么证明它能力强，也没有其他特别好的办法，就是市场的验证。投资有各种各样的特点，我们自己感受最深的特点就是投资里面反馈是很集结的。我们做一件事情，这件事情到底对还是错短期内不一定知道，但投资市场在不短的时间内告诉你做的投资决策是对的还是错的，所以机器人之间我们就通过市场竞争的机制优胜劣汰。
如果模型和人之间发生冲突或者观点不一致，这对训练或者机器人提升来说是特别有用的样本。其实我们是希望出现不同结果的，一般应对方式就是AI研究员基金经理和行业研究员就要把出现问题的背后逻辑梳理一下，归因，寻找原因到底是什么、什么原因导致两边观点不一致。
其实这种情况在我们内部也经常发生，比如一开始筹建模型的时候，原来这个逻辑主动研究员也是认可的，但是过了一段时间，市场出现一些结构性变化的时候，如果历史上没有发生过，训练角度并不一定会及时扭转这个观点，这时候人的观点加入进来，可以对它进行一个归因，然后去分析背后的原因，把它之前逻辑进行一些调整。
如果碰到他的结构性变化来讲，通过分析讨论觉得背后的逻辑已经出现了明显的变化，这时候我们也会停止机器人的工作。也有的情况就是最终发现机器的观点是对的，人的观点也未必对，最终原则还是由市场去检验最终的对策，不管哪边错了，人和机器都可以得到进步。如果最后证明人对了，机器这边可以把人的逻辑重新梳理，提升它的能力，最后证明如果人不对，对研究员来讲，就会更加激励他以后考虑问题方方面面，提升能力。
严佳炜: 查博刚才非常详细地介绍了浙商基金在大数据与人工智能领域的研究，那我们接下来就花几分钟将议题聊地更为宏观一些，我们聊聊智能投资的未来。我们知道，国内量化智能投资也是经历了几步走的过程，例如在13、14年及之前，算是量化1.0阶段，期货对冲工具刚普及，购买一揽子股票简单做一个对冲，整体的阿尔法都还是比较显著的。
股灾期货受限之后，产生了多元化的发展思路，模型也往更精细的方向拓展，近几年市场涌现各种高频量化，业绩非常出众，规模也是节节攀升，包括部分头部量化私募在模型端会大量采用了人工智能算法，这是量化2.0时代。未来，我觉得人工智能和大数据将会给量化领域进行新层次的赋能，我们可以把大数据、人工智能赋能的量化称为是量化3.0。查博对我定义的“量化3.0时代”有怎样的看法？比如说未来三年或是五年之后，浙商基金的这种AI+HI的投资决策体系，能够在大资管领域有较为广泛的普及？
查晓磊：好，这个问题确实挺好的，对未来整个资产管理行业的变化，我们的看法是：首先，AI在投资领域应用，AI在高频领域的应用优势是特别明显的。在一些纯粹数据驱动的领域，逻辑不一定是第一，很多时候是数据层面，但数据层面背后是对应逻辑的，但未必是先要把这个逻辑分析出来再去做后面的模型，顺序不一定先逻辑后数据，可能先数据后逻辑。当发现一些数据的异象导致一些交易的机会，背后可能是行为金融的理论、行为金融逻辑导致的。对于公募基金来讲，在交易品类方面不是我们的优势，我们会从更低频的策略产品角度入手。
从中低频角度来讲，人机一定是要交流和互动的，就是AI和HI在中低频这方面，一旦频率降下来，一些逻辑的问题就应该要走到数据问题之前了，如果先逻辑后数据就一定要强调人和机的结合，所以这也是对我们浙商基金作为公募基金最后选择的一条路。
我们觉得未来整体是会朝这个方向去的。最核心的一点是：随着整个市场里面专业的管理人，专业投资管理机构越来越多，而且投资者的教育程度越来越高，大家越来越希望买一个理财产品或者基金投资产品，每天或者每年的收益讲得清楚，收益究竟是来源于哪里，可不可持续，背后的方法是不是能够经得住时间考验。投资者不管是专业机构投资者还是普通的一般持有人，大家要求其实是越来越高的。随着投资者教育的提升，虽然过往历史业绩比较好，但未必所有投资者都是买单和认可的结果。
我们AI+HI最核心的想法是：希望我们所有投资策略都是通过历史上沉淀下来的，被证明行之有效的投资策略，不断拿行之有效的投资策略结合市场不同发展的情景。当然，投资也不是能保证百分之百，至少不断重复使用这些投资策略，能够比较大概率提升获得一个比较好的风险回报的结果，这时候对整个产品来讲，收益来源更加说的清楚。
另外一点是：对整个体系认知之后，从各种数据的输入，到几百个模型的处理训练之后，变成最后的结果，是流水线作业的过程，这个过程其实就是生产风险回报的过程。对整个产品管理，不管是容量、半径都是一个比较大的提升。相比单一基金经理的管理半径来讲，理论上通过系统化的方式，管理能力和管理边界比单个人是要大一些的。
单个基金经理或多或少对自己以前专门研究的方向或者擅长的行业、擅长的风格，大家其实是想把它往极致的方向去做的。通过系统化，每时每刻都在不断平衡市场里面风险回报的机会，去选择里面我们认为性价比最好的产品。比如消费好的时候，模型会有很多的信号出来，当周期来的时候，我们也会及时切换过去，是不断比较各个行业性价比的过程。如果是中低频率的话，大逻辑是先有数据，然后就是人机结合。我们认为在目前科技发展水平下，应该是比较现实的选择。
严佳炜: 刚才也聊了挺多，查博也从公司AI战略布局，以及整个投研体系AI+HI框架性的方法论的角度，都给我们进行了非常详细的介绍。那最后，我们再花几分钟时间，想请查博介绍一下大数据相关的产品条线以及各个产品的相对优势。
查晓磊：对，从大的产品布局来讲，刚开始讲四个产品线，实际上这四个产品线在我们内部会在图谱上刻画出来，大家想一下它的横轴我们叫做风险，对于相对收益和产品来讲是一个主动风险或者叫跟踪误差，它的纵轴是超额收益，在这样一个二维图上，从左下到右上，基本上是按照四个产品线去布局的。
最左下，第一跟踪误差和第一超额收益是AIβ增强的产品，基本上与沪深300、上证500控制在3%；中间这档是AI跑出来的产品，基本上跟踪误差相对各自的基准是8%-10%之间；最右上角，是公司主动管理的产品，理论上希望它在最右上角的，允许主动管理产品可能有更大的误差，10以上甚至往15这个级别去靠。
从超额收益来讲，希望各个主动管理的经理能够发挥各自擅长的领域、擅长的行业上面的优势，当市场的结构跟他们优势比较契合的时候，能够把极致收益跑出来，所以我们希望把我们更多的跟踪误差控制在8%。去年，“浙商大数据智选消费”是我们第一代产品，跟踪误差是根据消费指数或者是消费大行业β去的。去年9月份发行了“智能行业优选”，是全市场的基金，所以它的基准是锚定沪深300，在这个体系下，其他的跟踪误差跟浙商大数据智选消费是一样的，两者差别在于锚定的β不一样。
正在发行的是第三代产品叫“浙商智选领航三年持有期”，一个新增要素情况下就是希望在三年维度上高成长的板块里面能把我们的模型用上去，从所处的位置来讲，跟大数据智选消费和智能行业优选是一样的。
智选领航三年持有期，它锚定基准是三个比较高速成长的板块，即消费、科技和医药，这三个板块各占三分之一的权重。因为这个产品三年持有期，我们在成长风格上面会做一个额外的考虑，与前两者完全开放式的基金来讲会做一定程度的区分，在成长上面的暴露和波动上面的控制会采用一些不同的方式。
因为牺牲了投资者的三年流动性，该产品一方面是会多提升大家持有体验，避免在市场波动过程当中追涨杀跌，另一方面，希望把三年持有期流动性对于持有人的约束，而对于我们来说是一个额外条件，把它应用起来，体现在最终的风险回报性价比上。大体上也是处于中间这档。我们希望AI跑出来的结果是比较高信息比例、高夏普比例的结果，避免出现像集中风格、集中行业，阶段性风险波动会比较大的情况出现。以上就是我们产品的一个布局。
严佳炜: 谢谢查博今天给我们介绍了人工智能和大数据的方方面面、以及浙商基金在科技如何结合投资方面的前瞻探索。那我们今天的直播到此为止，感谢查博，也祝愿浙商基金在未来人工智能以及大数据这条路上能够越走越好。
风险提示
风险提示：浙商基金管理有限公司（“本公司”）尽力为投资者提供全面完整、真实准确、及时有效的资讯信息。本材料并非法律文件，所提供信息仅供参考，本公司不对其准确性或完整性提供直接或隐含的声明或保证。基金管理人承诺以诚实信用、勤勉尽责的原则管理和运用基金资产，但不保证本基金一定盈利，也不保证最低收益。过往业绩不代表未来，基金管理人管理的其他基金业绩不构成对基金业绩的保证。本材料不构成任何投资建议，投资者在投资前请参阅本公司在中国证监会指定信息披露媒体发布的正式公告和有关信息。投资人应当认真阅读《基金合同》、《招募说明书》等基金法律文件，了解基金的风险收益特征，并根据自身的投资目的、投资期限、投资经验、资产状况等判断基金是否和投资人的风险承受能力相适应。本公司及其雇员、代理人对使用本材料及其内容所引发的任何直接或间接损失不承担任何责任。人工智能投资存在固有缺陷，投资者应当充分了解基金运用人工智能投资的风险收益特征。基金有风险，投资需谨慎。