Py学习  »  机器学习算法

托特——追求纯alpha 北大系深度学习科班团队玩转量化(风控篇)

格上财富 • 12 月前 • 137 次点击  



来源:格上研究


托特:追求纯alpha,

不忘初心做稳健的风控


当问到该如何做好一家量化公司的时候,很多人的第一印象都是砸钱砸机器,或是人海战术扩大规模,很多量化管理人的答案也会是诸如希望扩大规模,或是赚到钱。


在这个问题上,托特给出了不同的答案。托特认为,做好一家量化公司,最重要的是对投资市场的敬畏,其次是对技术迭代孜孜不倦的追求和不忘初心的风控和稳健。托特不仅致力于持续不断地进行研发迭代,还同时深知投资中风险的重要性,将人工智能技术与严谨的金融模型深度整合,建立了完善的策略体系和风险控制体系。托特相比于收益更关注风险,在控制好风险的前提下,把剩下的交给了时间。


托特始终致力于为客户创造长期稳定的超额收益,重视收益的稳定性,对于风格、行业等各类风险因子采取了比较严格的控制,对于各类风险敞口都没有显著的暴露。对于指数增强策略和市场中性策略均采用较为严格的风险控制。


托特采用基于Barra多因子风险模型自研改进的风险因子模型对投资持仓风险进行评估和监控。模型中一方面针对中高频的风险估计做了一部分调整、并且增加了一些自研的风险因子;另一方面针对托特的alpha策略产生的资产组合对风险估计做了调整,减小了估计偏误。


对于常规Barra风险因子,托特根据策略实际情况将风险因子暴露限制在0.1到0.3个标准差不等。市值因子的敞口为0.3个标准差以内,行业+-2.5%,其它风格0.1-0.3标准差不等。托特的超额收益是在非常低的风险偏离的前提下做出来的,并不是靠暴露风格和行业的敞口,这样的超额收益来源更加稳定。


在融合多周期模型时,托特采用了多周期规划路径的方式,得到未来股票的走势路径预测,而不是简单的涨跌方向预测,这样就可以更细致规划交易,优化交易成本。


关注公司治理,规模是结果不是目标


除了投资上的风险管理,托特还关注商业上的扩张和公司的治理。2015年之后,国内量化行业经历了高速发展期。时至今日,国内量化市场巨大,竞争日趋激烈。这种竞争也从因子、策略层面,发展为产品各个利润环节的比拼、最终是公司治理结构的合理稳定、以及正面持续的品牌价值输出。


量化本身兼具智力密集型和资本密集型特点,设备和人才投入一直是各公司成本的大头,托特也不例外。在设备和机房方面,公司初期投入数百万元建设数据和计算集群,并计划持续增加投入。同时,研发了自有的数据平台,可以更加高效的使用不同来源的数据。托特一直致力于将最先进的人工智能技术应用于量化策略的研发,基于其深厚的积累和对前沿技术的跟进,持续研究、迭代策略,提升公司的技术壁垒。


在人才方面,公司一方面提供有市场竞争力的薪酬待遇、建立完善透明的激励机制,并且对核心成员设计了合理的股权激励;另一方面不断完善人才培养体系和管理体制,努力帮助员工在公司获得更好的工作体验并能够更好地成长。


托特一直希望能够在量化的领域里稳健前行,不追求盲目的扩张,认为规模是结果而不能成为目标,托特的目标始终是提供行业中上水平并能够长期稳定的业绩。托特在商业扩张上始终坚持:一是公司管理规模要符合策略设计容量而不能盲目扩张;二是在规模上升的过程中把握节奏和进度,亦不可过快。


托特的投资理念一直不变,希望在风险控制较为精细的情况下,为客户创造长期、稳定的超额收益。在策略上,充分发挥团队在机器学习/深度学习技术经验丰富、技术积累雄厚的优势。商业上,不忘初心,不以规模为目标,稳健发展,用具有竞争力的薪酬和激励招募研究开发成员,加速策略迭代。


托特产品线涵盖了沪深300指数增强、中证500指数增强、中证1000指数增强、量化选股、市场中性,较为完备。指数增强类产品有明确对标宽基指数作为比较,在风格行业上保持较低的偏离。量化选股类产品适用于风险承受能力相对更好,更注重收益弹性的投资者。市场中性类产品适用于对收益预期相对较低,对风险控制较为看重,希望求取稳健收益的客户。


点击小程序查看完整文字版


版权声明:部分文章推送时未能与原作者取得联系。若涉及版权问题,敬请原作者联系我们。

格上财富:十五年深度研究,甄选阳光私募、PE/VC、海外基金等高端理财产品,为您的资产增值保驾护航!

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/155222
 
137 次点击