雷火竞技首页

我花6年时间从0到1打造了一只“主动量化”团队
发布时间:2026-03-26
 2025年中国私募行业迎来技术与规则双重变革:AI赋能量化崛起,私募规模突破22万亿,私募出海加速,行业迈向多元化新格局。那在人才济济的私募行业工作是一种什么体验?2026年私募排排别开启第二季特辑。  本期我们收到了来自百亿私募中欧瑞博合伙人、量化团队负责人——连祥斌投稿,一起走近这位港中文校外导师的量化团队建设历程。  我本科期间先后换过三个专业,这段看似“曲折”的经历,反而为我后来做量化

  2025年中国私募行业迎来技术与规则双重变革:AI赋能量化崛起,私募规模突破22万亿,私募出海加速,行业迈向多元化新格局。那在人才济济的私募行业工作是一种什么体验?2026年私募排排别开启第二季特辑。

  本期我们收到了来自百亿私募中欧瑞博合伙人、量化团队负责人——连祥斌投稿,一起走近这位港中文校外导师的量化团队建设历程。

  我本科期间先后换过三个专业,这段看似“曲折”的经历,反而为我后来做量化投资打下了非常独特的复合基础。

  第一个专业是计算机方向,让我系统掌握了编程能力,培养了较强的逻辑思维与工程实现能力,这也是后来做量化研究最底层的技术功底。第二个专业是工商管理,学习一段时间后,我发现并不是自己真正感兴趣的方向,于是开始寻找更能结合理性分析与现实世界的领域。

  恰好当时,北大汪丁丁老师与学校合作成立了社会与行为跨学科研究中心,我抓住机会考入这里,主攻行为金融,一直读到硕士毕业。这个项目非常特别,它不局限于传统金融,而是把金融学、数理统计、编程、社会学、心理学融合在一起,训练我们从人的认知偏差、群体行为、市场非有效性等角度理解市场。

  2015年前后,国内量化投资刚刚起步、快速崛起。我发现,量化投资的核心思路之一,就是通过数据和模型去捕捉市场中的非理性行为与定价异象,这和我在行为金融里学到的理论体系高度契合、几乎完美对应。于是我很自然地走上了量化投资这条路,可以说是专业背景、机遇和兴趣三者共振的结果。

  大家可以看到一个非常清晰的行业趋势:2000年前后,全球头部对冲基金几乎都以主观投研为主;而如今,排名靠前的海外机构,要么是纯量化巨头,比如Two Sigma,要么是主观与量化深度融合的模式,例如桥水。主观拥抱量化,就像当年互联网行业拥抱AI一样,是不可逆的大势所趋。

  也正是基于这样的判断,2019年我选择加入中欧瑞博。此前我在金融科技公司负责金融工程相关的研发工作,刚好赶上中欧瑞博启动量化业务的布局,我也非常认同这条路。

  更重要的是,中欧瑞博在主观投研领域已经沉淀了极其深厚的研究与实战经验。很多成熟的主观投资逻辑,和量化的研究框架本质上是相通的。把主观的产业认知、深度逻辑与量化的数据能力、模型能力结合起来,完全可以实现1+12的效果。

  这种 “主观打底、量化赋能” 的模式,在当时就已经让我非常看好,也正是这份独特的价值和前景,吸引我加入团队,一起把量化业务从0到1做起来。

  相比公司主观投研团队十多年的深厚沉淀,我们量化团队从无到有、从0到1搭建的过程,更像是在成熟体系里开辟一条全新路径。作为负责人,这段经历里最大的挑战和成就感,都和主观与量化的融合紧密相关。

  最大的挑战,其实是理念与机制的深度磨合。主观投研和量化投资看似都在做投资研究,但底层逻辑、研究范式、决策路径差异极大:主观更依赖产业理解、深度调研、人性判断与长期价值认知;量化则更强调数据、模型、纪律、概率与迭代效率。

  很多国内主观+量化的私募机构,最终都停留在“两个团队、两套体系、彼此隔离” 的状态,即便各自业绩亮眼,也很难真正产生协同,反而容易形成认知壁垒。

  我们在起步阶段也面临同样的难题。前几年,量化团队更多是辅助者角色,专注做好数据支持、模型工具、因子验证、风险监控等工作,用客观数据和量化方法提升主观投研的决策效率与准确性。

  这个过程最难的不是技术搭建,而是让两种完全不同的思维方式互相理解、彼此信任:量化要真正吃透主观的投资逻辑、产业认知和决策框架,而不是单纯跑模型、堆因子;主观团队也要逐步接受量化工具的客观性、纪律性和覆盖广度,放下对“黑箱”的顾虑。

  从辅助到协同,再到深度融合,我们花了大量时间沟通、磨合、验证。直到双方形成稳定默契 —— 量化真正理解主观的核心投研逻辑,主观也充分信任量化的工具价值,这条路才算真正走通。

  而这份挑战,恰恰也成就了我最大的成就感:我们没有做成“主观 + 量化” 的简单拼凑,而是真正实现了 “主观赋能量化、量化支撑主观” 的一体化投研体系。

  从最开始的数据支持、模型辅助,到后来双方深度共振,我们把主观投研沉淀十几年的产业逻辑、景气度判断、商业模式认知,注入到量化模型里,做有逻辑、可解释、有基本面支撑的量化投资,而不是纯数据驱动的 “黑箱策略”。在此基础上,量化团队逐步独立开发量化+策略,搭建完整的投研流程,发行标准化产品,真正从 “支持部门” 成长为公司核心投研力量之一。

  最让我自豪的是,我们打破了行业里常见的团队隔离困境,让主观的深度与量化的广度形成互补:主观提供逻辑内核,量化提升执行效率与覆盖能力,两者互相成就、互相强化。这种从0到1、从割裂到融合、从辅助到独立的全过程,不仅是一个团队的成长,更是一套更具生命力的投研体系的诞生,这也是这段经历最有价值的地方。

  在投资领域,量化与主观并非对立,而是如同人的 “左脑” 与 “右脑”,各司其职又协同增效。量化如同强大的左脑,以严谨的逻辑、精密的计算和高效的执行,为投资提供坚实的理性支撑;主观则是富有创造性的右脑,凭借深刻的直觉、敏锐的洞察与前瞻性的想象,捕捉市场中难以被数据完全捕捉的机会。强大的投资 “大脑”,必然是二者深度融合、协同工作的产物。

  我们所践行的主动量化(Active Quantitative)策略,正是这一理念的落地实践。它并非简单的叠加,而是将主动投资思想与量化规则化深度融合,实现优势互补、劣势互抵,最终达成 “1+12” 的效果。

  例如,主观团队“与伟大企业共同成长”这一理念,会给我们提供很多富有逻辑且效果较好的基本面因子,我们基于这些因子设计了一系列工具化的投资组合,如“小盘成长”。再如,我们的股票全天候产品,它的股票仓位是动态变化的,夏季高仓位,冬季低仓位,都是主观+量化共同主导的结果。

  中欧瑞博旗下有2只“长跑型”私募产品成立在10年以上且产品净值在2026年1月曾创下历史新高”。

  私募排排网数据显示,截至2026年3月6日,“中欧瑞博赤兔一期”成立于2015年8月13日,成立以来收益达***%。另外一只“中欧瑞博6期成长价值”成立于2014年8月26日,成立以来收益达***%。

  我们构建了覆盖股票、股指期货、商品期货及国债期货四大类资产的系统化量化投研策略体系,通过多维度因子挖掘与模型迭代,实现跨市场、跨周期的投资机会捕捉与风险管控。

  1)股票模型:构建了包含数百个底层因子的丰富因子库,覆盖估值、成长、盈利、量价、另类等多个大类。每年有 10% 的因子被替换或迭代,基于这些因子数据,我们进一步构造了不同风格组合,以适应市场环境的动态变化。

  2)股指期货模型:聚焦四大股指期货品种,目前策略库中包含 20 + 套策略,其中实盘运行 14 个。策略结构上,80% 为趋势类策略,20% 为反转类策略,持仓周期从几分钟到 7 天不等,以捕捉不同级别市场波动带来的收益。

  3)商品模型:品种上,既涵盖农产品、有色金属、能源化工等传统商品,也纳入了集运指数等新型商品(航运期货)。所有策略均基于趋势跟踪框架,融合价格趋势和基本面趋势,在一天内(短)、1-3 天(中)和 3 天以上(长)三个周期维度上进行布局。

  4)国债模型:覆盖四大国债期货品种及所有久期,目前策略库包含 5 套模型,其中 4 套已实盘交易。策略通过融入交易面、国债估值和宏观等因子,从不同维度捕捉国债期货的走势规律,为组合提供稳健的收益来源。

  传统量化机构普遍采用“因子挖掘—收益率预测—组合优化”的标准化路径,这一模式高度依赖海量数据、高频算力与持续的因子迭代,因此头部机构往往需要投入巨额 IT 资源构建技术壁垒。

  而我们采取的是主观判断与量化方法深度融合的模式,在团队规模与算力资源有限的前提下,通过优化算法结构而非单纯堆砌算力来提升效率,这与DeepSeek 在算力竞争中通过技术架构创新实现突破的思路异曲同工。

  1)样本分域:基于市场风格、行业景气度与流动性特征,将股票池划分为不同的同质子域,避免在异质样本中进行统一建模,提升模型在细分环境下的适应性。

  2)分域选股:在每个子域内构建针对性的选股逻辑,而非依赖单一普适模型,从而更精准地捕捉不同风格下的超额收益来源。

  3)多策略融合:将不同分域下的选股结果整合成多风格、多目标的策略组合,通过动态权重调整实现收益与风险的平衡。

  基于这一框架,我们开发了一系列工具化的风格组合,包括小盘价值、小盘成长、大盘价值、大盘成长、港股价值等。量化投委会会根据宏观环境、市场风格与风险偏好,对这些组合进行动态配置,从而在控制波动的前提下,持续捕捉结构性机会。

  很多人误以为量化就是纯技术、纯写代码,其实不是。在我看来,优秀的量化研究员,金融理解力和编程能力都不能少,但核心一定是金融理解。金融和经济的认知,是策略的源头 —— 因子从哪来、逻辑为什么成立、市场规律为什么存在,这些都得靠对真实市场的理解。没有这个底层逻辑,代码再强也容易过拟合,做不出长期有效的策略。

  而编程,是把想法落地的工具,负责数据处理、回测、验证和执行,是基本功。现在 AI 时代,会用 AI 工具快速验证思路、提高效率也很重要,但 AI 只能加速实现,不能替代你对市场的判断。

  至于团队平衡,我们一般是专业分工、互相补位:有人偏策略研究、金融深度,有人偏工程实现、系统开发,但最好的研究员一定是既能想懂逻辑,又能快速自己验证,金融不空洞,代码不盲目。这样整个团队,既有思想,又有执行力。

  第一类是股票CTA复合产品,采用股票量化多头 + 股指 CTA的复合结构,和行业里常见的股票多空、择时对冲思路类似,但更强调适应复杂市场环境。行情上涨时,股票多头负责进攻,股指 CTA 也以做多为主;行情下跌时,股票多头会承受压力,而股指 CTA 可以通过做空,有效对冲一部分下行风险,整体更稳。

  第二类是多元CTA 基金,走多策略、多周期、多品种的配置路线。覆盖股指、国债、商品等多个大类资产,持仓品种超过 50 个,分散度非常高。真正做到 “东边不亮西边亮”,通过高度多元化,追求长期稳健的收益增长。

  第三类是股票量化多头。我们内部拆成了六个子组合:小盘成长、小盘价值、大盘价值、大盘成长,再加上港股量化和转债量化。在风格上做到大小盘、价值成长均衡配置,进可攻、退可守。

  整体来看,我们就是通过产品结构设计+策略多元化,实现真正的分散化投资。这样在面对极端行情时,组合的韧性更强,应对也会更加从容。

  我们招聘主要看两点:一是有没有受过扎实的学术训练,量化研究本质和做科研差不多,数理统计、金融基础和编程这几块得过关;二是有没有科学的研究精神,做研究不是为了证明自己对,而是敢于去证伪,能接受大量尝试最后可能都无效,愿意踏实探索、不断迭代。

  想进量化领域的话,数理统计、金融基础还有编程这几块底子一定要打牢。现在都到 AI 时代了,这些专业知识反而更重要了 ——AI 能帮我们干写代码这类活,大大提升效率,但最后模型靠不靠谱、结果能不能用,还是得靠人来验证和把控。

  我们所有的研究都紧扣实盘产品,完全围绕真实投资需求展开,不做脱离市场的理论研究。不管是正式员工还是实习生,参与的每一个项目都以“落地”为核心目标。这样一来,研究成果转化的概率更高,实习生也能在真实项目中直观感受到投研的价值,上手更快,学到的实战技能也更扎实。

  量化投资这个领域特别有意思,市场一直在变,新问题也不断冒出来。我们做的事,其实就像给锁配钥匙——每一道难题背后,都藏着能打开它的答案,我们要做的就是不断摸索、反复尝试,把这把钥匙找出来。因此,具有配钥匙的技能,并且有好奇心,持之以恒,比较关键。

  如果一个大二学生,立志以后做量化研究员,我建议未来三年重点抓三项核心能力,再加上一个时代必备技能:

  第一,扎实的金融基础。不管是股票、期货、衍生品,还是投资组合、市场微观结构、行为金融,都要搞懂。先把市场是怎么运行的、钱是怎么赚的想明白,这是做策略的根,不然代码写得再溜也只是空中楼阁。

  第二,数理统计能力。量化本质就是用数据找规律,概率、统计、线性代数、时间序列分析这些是基本功。能不能看懂因子、做好回测、判断是不是过拟合,全靠数理功底。

  第三,编程能力。Python一定要熟练,数据处理、回测框架、数据库这些都要能自己写出来。编程不是目的,是你把想法变成策略的工具,工具不顺手,研究效率会差特别多。

  再加一个现在很重要的 ——学会用 AI 工具解决问题。现在 AI 已经是量化人的标配了,会用 AI 快速写代码、查 bug、处理数据、验证思路,效率能提升好几倍。但记住:AI 是辅助,不是替代你的思考。

  1)课程:校内的金融、数学、统计、计算机课认真上,再补一补机器学习、时间序列相关内容。

  2)实践:去参加量化比赛、自己做小策略回测、用真实数据跑一跑、写写复盘笔记,比光看书有用得多。

  3)资源:公开数据集、量化社区、经典教材、GitHub 项目,都可以利用起来。

  它不仅是一部西蒙斯的传奇传记,更是一扇读懂现代投资革命的窗口。它告诉我们:真正的超额收益,来自科学精神、数据信仰与极致迭代的结合。从数学家到投资大师,从密码破译到模型交易,西蒙斯用一生证明,用理性与算法驾驭不确定性,才是穿越周期的长期力量。