如何评价微软研究院开发的AI量化投资平台Qlib？ 第1页

鸡肋。

Quantopian当年那么火，Point72给他投资，Steve Cohen的资源给他用，今年还是倒闭了。原因是量化平台的盈利模式是有问题的，第一，它不专业，第二，因为不专业，用它的人不赚钱。Point72旗下的Cubist很赚钱，但Cubist不会把infra给Quantopian用，因为能赚钱的infra是稀缺资源。所以Quantopian的框架在专业人士看来非常业余。也正是因为业余，专业的人不用，业余的人用Quantopian的赚不了钱，因此无法和平台分成，所以这样的平台无法盈利。

微软的高管去量化界也有先例，微软前COO Kevin Turner曾到Citadel Securities担任CEO，但是没有太大建树，最终Griffin任命赵鹏，是赵鹏将CitSec发扬光大。

所以说，程序员在不懂套路的情况下，直接跨界去做投资，难度极大。不是因为程序员技术不行，主要是他们不懂投研体系。好的程序员只有在培训以后才能成为好的研究员。打个比方，James Simons何等样人，他很早就想做股票，一群科学家一直不得要领，摸索了好几年没什么进展，当时PDT和DE Shaw股票都比RenTech做得好得多。最后RenTech是靠PDT的前雇员把统计套利的策略框架搭好，然后Mercer, Brown, Magerman三名大将（既懂架构，又懂股票的程序员），把策略细节调好，才有了这么牛比的大奖章。

拿统计套利来说，谈谈为什么微软的这个QLib平台注定不行。统计套利类策略的核心是信号。怎么从各种数据源里挖掘有意义的信号，如何检验信号的有效性，这些都是统计学的范畴。A股简单的量价信号目前仍然很好用，只要是懂套路的机构，近两年超额30个点没什么问题。可是美股做统计套利可没这么容易，大部分简单的量价信号都是没用的，大奖章return on GMV也做不到10个点，一线的一流机构能做到四个点就属于厉害了。成熟市场里，不了解市场就想挖一些信号是很难的。

模型上，有机器学习的程序员在调参上的确有一些优势，但是label怎么处理，feature怎么engineering这种问题，一般人可能就找不到北了，而这些问题是策略层面除了信号以外最核心的东西。

其他方面，风格如何把控，下单算法如何改进，这些都需要实战经验。不了解市场，想靠机器学习里一些fancy的算法搞个印钞机，太难。目前不管是国内还是没过去，好多家机构都在公共场合说深度学习多么有用，深度学习的确会有点用，但是绝对没有那么神。事实上目前就国内一线私募来讲，大家做得都差不多，深度学习用得不深，深度学习真要那么有用，谁会到处说？一些业绩相对比较好的，不是因为用深度学习算法的水平甩对手一条街，而是因为择对了风格，打新加成大的缘故，这点非常重要。量化这行，真正有用的东西，虽然最终都会被同行知道，但很少有人会在公开场合大说特说。

同样的，我推断，大奖章和其他顶级对冲基金自营的差距，也是主要在于信号，以及市场覆盖上，并不是因为大奖章的机器学习模型一定比deshaw好一大截，毕竟就算力来讲，文艺复信还远不如deshaw和2C。投资的本质，在于找到简单有效的规律，而不是靠这些听起来很厉害的算法来各种过拟合。

综上，量化策略涉及到统计、数据挖掘、交易、市场理解、机器学习等各个方面，光靠一套机器学习算法库，再加上一个优化器，就想搅动市场，没这么容易的。