刘富兵：各位领导，上午好！欢迎大家来到美丽的珠海，参加国盛的中期策略会，今天的量化分论坛由我来主持。

首先有请我们的团队来介绍一下目前我们的研究成果和研究心得，有请殷明、叶尔乐、林志朋、段伟良。

今天我想稍微轻松一些，做一个开放式的探讨，大家都知道这几年量化发生了一个翻天覆地的变化，很多人面临着瓶颈，很多突破了瓶颈，有的去寻找第三条路，所以其实目前量化研究、量化投资，我们觉得处于一个相对来讲比较混沌的时刻，大家都很难达成一个共识。今天我们想从研究的角度做一个深度剖析。我们的题目叫传统量化与主动量化之辩，今天正好借机问问我的同事们对量化的理解。我们分了两个阵营，一个是传统量化的代表，当然我就是从做传统量化出身的，从2008年一直开始做量化，殷明和叶尔乐以前一直跟我在国君，所以也受我的影响也是一直在做传统量化，所以殷明和叶尔乐作为传统量化的代表。林志朋和段伟良都是一直走宏观、基本面的路子，但是他们又在金融工程这个部门，所以他们属于主动量化。我之前的理解可能有点偏颇，我觉得传统量化可能走不下去了，所以我要去做主动量化，所以就把林志朋和段伟良招到我们团队门下。

开始第一个问题，首先大家结合一下自己研究的方向讲一讲传统量化和主动量化自身的优点和缺点。

殷明：我这边先简单说一下我自己做的一些东西和我的一些心得，也谈不上心得，一些经验教训吧。

首先我自己是做多因子相关的，包括大数据，最开始我做了很多大数据的因子，纯粹是通过机器数据挖掘，找一些新的数据源，通过一些机器的算法去挖掘新的因子，这种做法就是刚才富兵总谈到的传统量化或通过算法寻优去找因子的方式。从我的经验来看，这种方式的一个好处，首先面很广，比如说你可以找到很多数据做这样的测试，只要你的算法足够强，或者你算法效率足够高，你可以挖到很多从统计意义上有效的因子。当然这个肯定就会有人说可能会有过拟合的可能，或者表现在样本外能不能持续的问题，我认为仅仅用这种方法去挖掘因子的坏处就是，可能你不会去太多关心它的逻辑含义。

我个人理解是这样，像我自己目前一般是这样，比如说做基本性模型，就是低频一点的模型的话，我现在还会很侧重于逻辑，我要明确知道我赚的什么钱，这个因子为什么会在过去长期有效，未来是不是能够继续这个逻辑。但如果像现在，比如像我们做日频甚至日内，就是更高频的因子，我可能就不太关心因子本身逻辑，尤其是量价因子，我可能更关注它的统计性，因为从样本来说它的数量是足够多的，我目前大概是这样的理解。优点我觉得它是统计意义上更好检验，从算法上它的广度更强，缺点就是逻辑有一些欠缺。

叶尔乐：我这边主要是做FoF资产配置的，因为我们知道对于中国市场量化算是一个舶来品，所有的模型都是在海外发展成熟之后然后中国再借鉴过来的，我们在使用量化模型的时候都是比较急于去把数据做出来，喂到模型里面去，期待发生一些比较神奇的过程，但事实上我们忽略了很多问题，这些模型都是存在很多前提假设的，我们并没有考虑这些假设对于国内的环境是不是完全合适的。

我认为传统量化最主要的优势是，每个逻辑都要经过严格的数据验证。但它的最大缺陷也恰恰在于投资世界只有少部分现实可以用数字描述，而大部分的现实是不能被直接描述而只能成为假设的，比如说像我在做宏观逻辑的量化验证的时候，比如说我们去定义某一个经济的指标，比如说通货膨胀，我们到底是应该看CPI还是PPI，到底是看工业品的价格还是农业品的价格，研究不同的问题背后的含义并不一定是一致的，而我们在做模型的时候就不得不选取某一个代理变量去做所谓“严格”的回测，使得我们最后的和真实的假设可能是有偏离的。

主动量化最好的一点，它追求的是一个模糊的正确，我的假设不需要定义那么清楚，不像传统量化某一个经济状态就是某一个阈值决定的，超过了某一个阈值我就认为是某种经济状态，主动量化主要是靠人脑对于大量信息的处理能力，发展成一种直觉，通过这种直觉结合到模型当中去，但是这种直觉如果没有一个精确的数量验证，可能背后也是会出错，我认为这个是主动量化背后的缺陷。

另外一点，我觉得这两个方法相对来说没有优劣的区分，我觉得目前为止最大的区别是市场效率的问题，比如说像传统量化它相对来说是数理化的，非常明确，有具体的公式和模型，因此它的复现门槛相对来说比较低一些，我们现在大部分人都在用这个模型会导致整体市场的赛道拥挤，也是导致了思路的转变。主动量化未来也可能也会出现一两种相对来说比较成熟的模式，如果说这种模式被市场大量复现的话，其实我认为主动量化一样也会遇到瓶颈。所以我认为量化的模型没有什么好坏，我们的竞争对手不是模型，而是市场的有效性，所以量化永远是和市场效率去赛跑的。

林志朋：我这边主要是研究一些比如说A股里面风格因子的一些择时以及轮动的问题，传统量化我的定义是严格意义上控制我们所定义的一些风格因子或风险因子，然后去寻找或挖掘一些市场上增量的Alpha信息，我把这个定义成是传统量化。这个模式的优点和缺点都比较明显，优点是它长期具有明显的市场护城河，比如说我们发现目前一些做得比较好的，做传统增强策略的一些团队已经呈现出比较明显的护城河现象，相比于其他团队的优势是比较明显的。同样是硬币的另外一面，初期对这种模式的投入成本很高，这里面包括开发一个系统的成本，开发多因子模型是一个时间很长、耗费很多人力的过程，包括还有一些数据库的成本，还有你需要去承担连续几年市场对你并不认可的成本。

对我来讲，主动量化就刚好跟传统量化相反，即主动暴露风格因子或风险因子，这里面分为两类，一类是静态主动暴露，这里面有点像我们所说的Smart Beta产品，固定的、定期地去暴露一些比如说红利、低波、成长这么一些性质，国内已经有一些成功的案例。它的优点比较明显，风险因子和风格因子长期来讲是具有超额收益的，因为它承担风险，所以它获得补偿，这个无论是国外还是国内都有一个很长时间的历史证据，我们是可以看到的。另外一个主动量化的定义是，动态的主动量化，即价值风格好的时候我就做价值，成长风格来的时候就做成长风格，优点是收益很高，缺点是比较难。

段伟良：各位领导，我主要的研究方向是行业基本面量化，简单来讲就是做三件事情，第一个是去寻找行业内独特的选股因子，第二件事情从行业层面建立行业的盈利预测或估值模型，以便对整个行业做择时，第三件事情从宏观经济周期或产业链传导的逻辑去做行业板块的轮动。这块也可以称作是中观层面的主动量化，它跟传统的量化相比是有两个优点：第一个是体现在行业配置层面，因为传统量化去做行业配置方法就是两种，一种是偏宏观的，对宏观经济状态做划分，再基于每一种经济状态下应该配什么行业；还有一种方法是偏微观的，主要是去找一些行业共同的因子，这个因子可能是资金流相关，也可能是财务相关的，然后再基于这些因子去对行业做配置。这两种方法要么是偏宏观要么偏微观，但是有很重要的一个缺陷是它忽略了中观层面的信息。因为我们要知道做行业配置但是却不用到产业链的逻辑或者说行业层面本身的特殊指标，这个模型建立的基础肯定是不牢固的，所以说我们的基本面量化模型就是在弥补这个短板。

第二体现在选股层面，因为传统的量化多因子选股更侧重去找一些共性的指标，主要来自于一些财务或量价或大数据之类的，但我这一块更侧重的是从行业本身的一些特殊指标出发去寻找一些特殊因子，这些因子可能是这个行业独有。举个例子讲，前段时间我们做过一个银行行业的基本面量化，我们会发现银行这个行业是有些特殊的指标，包括不良率、净息差，这些指标是银行独有的，而别的行业没有，我们发现是可以用这些指标去做一些选股。这些指标会给我们带来一些增量的信息，这些增量信息就有可能存在一些额外的Alpha收益。

刘富兵：各位都讲的比较详细，那我们的第一个问题就到此为止。我大概做了12年的研究，你会发现越做到后面越没有信仰，越来越觉得好像量化有时候也蛮不靠谱的。我就讲两块，一块是传统量化，一块是主动量化。传统量化目前有一个趋势，做量化的人开始不相信量化了，这个趋势还蛮明显的，因为要想获得稳定的长期的Alpha还是蛮难的，这个需要有大量的长期投入，但不一定有结果。对于咱们传统量化而言，你的瓶颈在哪里？突破口在哪里？做了十几年，后来发现还不如直接配指数，所以我们下面一个环节把我们的指数大佬们都请过来了，因为能够长期地跑赢市场是很困难的，如果这样的话，我们的研究意义何在？对于传统量化的这两位同事，你们现在面临的瓶颈和未来传统量化的突破口在哪里？对于主动量化，我也泼一盆冷水，主动量化听起来也很好，但是到目前为止一个很尴尬的境界是市场上和主动量化相关的产品很少，我们听到的比如说宏观对冲的，跟我们真正意义上的主动量化还不一样，它只有宏观，没有更多的量化，也就是说到目前为止主动量化看起来很美好，但是面临一个很尴尬的境界，没有产品也没有规模，至于它未来行还是不行我们也不知道，它的可持续性、可验证性现在来讲还不好说，所以如果我们要去做主动量化怎么来去克服和规避这个事情？传统量化进入的门槛比较低，但是真正地做好非常难，主动量化进入的门槛比较高，如果你不懂宏观，对市场没有一些感觉、一些经验，这个是做不了的。所以我的第二问题想请四位同事结合你自己的情况讲讲现在面临的窘境和未来要突破的地方。

殷明：传统量化的窘境，或者我自己面临的窘境，比如说，假设我在管理一个组合，另外一个同事他用主动量化来管理组合，如果我们的组合最近都回撤了，我觉得他会比我稍微开心一点，因为从我的角度来说我只能从组合的层面去发现我的哪个因子会失效了，我要做的决定是我到底要不要坚持这个因子还是去找新的因子，我可能最近会比较崩溃，比如我要去找新因子或挖掘以前模型问题所在的地方，而对于主动量化的同事就会觉得只要我的逻辑大的假设没有发生变化，因为他的投资更多是基于一种信仰和逻辑，他能承受中短期的回撤。所以从这个角度来说，传统量化有一个比较大的问题，或者说我自己觉得面临一个比较有压力的地方就在于，当你的净值一旦回撤的时候，你要做一些决策，到底要不要坚持自己，要不要继续自己的信仰。

第二个问题，这也是很多之前有同事说主动量化比传统量化要更好一点，他做得更开心一点，做主动量化可以学很多很多的知识，紧跟市场学习基本面、宏观的知识，而我们做传统量化每天跟模型打交道，你自己对于市场的积累会比他们少一点，这一点我也是认可的。

对于我们来说怎么解决这些问题？还是关于自己的定位，比如像我个人，我的优点长处在于我对数据处理以及我对于模型把控能力会比我的宏观知识和基本面知识更强一点，我对自己的定位是一旦我的模型失效，我会不断地开发新的模型，去寻找新的获取收益的途径，会紧跟市场去找一些机会，因为市场的机会都在，只要你有持续开发模型的能力，这其实对你自己也是一种积累，只是说你可能积累得不是对市场的理解或者对宏观、更大层面的理解，而是在市场博弈当中模型的积累，这种积累对我来说也是很重要的，从这一点上来说可能我会得到一些安慰吧。

出路还是两点，第一点还是坚持做自己，我个人觉得传统量化一定是有它自己的优势，毕竟它是基于很多数学模型和统计规律的，第二点，可以去跟主动量化结合，其实现在我们已经在做一些结合了，之前我们也跟伟良聊过他通过主动逻辑找的一些行业的特质因子能不能加入到我们的模型当中，这些问题其实我们也都在讨论，这个可能两者之间并没有一个明确的界限，其实是可以互相借鉴和应用的。

叶尔乐：我觉得在一些比如说高频的领域，量化长期你不去看逻辑问题也不大，因为总体你Bet的次数很多，所以一旦策略发生回撤或失效，是很容易去做止损的。问题就在于我们现在很多要做的量化决策是慢慢偏低频，比如像一些因子的择时或者是一些宏观的状态的确定，这是比较低频的，低频首先会导致它的数据量比较少，第二个你做决策的次数也会比较少，这就使得我们需要很多很多的假设进行补充，这也是我刚才提到传统量化最大的问题，很多的假设我们不得不补上去，这些假设不一定会合理。比如像我们自己搭了一个宏观的显著逻辑库，用数量的验证把大量的宏观指标和大量资产之间的相关关系进行一定的分析，但事实上我发现这个库有一个问题，很多宏观逻辑它是在不断变化的，因为宏观逻辑它代理的变量也在不断变化，而宏观逻辑本身也是在不断变化，这样就形成传统量化上数据不足，然后导致你没有办法去更精确地描述这个世界的问题。

突破口，从我自己做研究的角度来说目前是两条，第一条每一个宏观的逻辑或者我找到的规律我需要用多种数据去做相互的验证，比如我们发现彩电的产量周期和A股的走势周期相关性非常高，而且择时的效率也很好，我们不能直接去用这个规律，我们可能需要把它背后的一层一层逻辑剥出来，给它去做验证，比如说从彩电的产量周期到房地产的周期，再到资金周期，再到市场周期，每一个都尽量去做验证，这是第一条路。第二条路，我们加入一些先验的东西，主动量化最大的优点在于它通过人脑的处理可以形成一些直觉，通过这些直觉形成先验的判断，目的就是把一些直接数据上不好验证的假设通过直觉补充到模型中，比如说像我在做利率的预测的时候我就是用的这种模式，我们先把对利率影响主要宏观的东西划分一下，经济增长、通货膨胀、社会融资，找到了这三个主要的线条之后再去用相应的数据在每一个方向去做一个数量化的验证，这种模式就相当于加入一个先验的结构，同时用数据验证，我认为这种方式的适用性和扩展性可能会更强一些。

林志朋：我这边先讲一些业界的观点，因子择时这个东西本来也是一个比较新的领域，海外对于因子择时一直处于辩论以及对抗的过程，有两个典型的对冲基金，一个叫AQR，它是很鄙视因子择时的，它认为因子择时很容易陷入数据挖掘，另外一个跟它站对立面的基金是叫锐联，它认为因子择时是有效的，而且是有逻辑的，并且发展出基于估值价差的一些因子收益长期预测方案，这是海外的观点。我记得我前几天看过一个JP摩根的一篇报告，里面主要是做一个调查，它说最近几年市场的量化投资者对因子择时的信心是一年比一年低，海外的投资者是越来越不相信因子择时。

国内我这边最近半年多一年的路演交流下来，我发现也有类似的现象，2017年的时候我们对因子择时是比较感兴趣，很期待有一些报告帮我们解决疑惑，因为2017年我们遇到了前所未有大小盘长期的切换。2018年开始我发现量化的基金经理开对这些东西有点存疑，基本分为两派，一派认为它是可以做，有点逻辑的，另外一派又认为做这个东西发生的次数太少，容易陷入数据挖掘的陷阱。

因子择时这个研究方向的瓶颈，主要是两个，第一个是因子的风险，它的收益回撤风险是很集中爆发的，举几个例子，美国那边2007年、2008年动量因子的崩溃，几个月时间就让能你损失掉过去很长时间的收益，这是美国的例子，中国这边也有很典型的，2014年年底大小盘两个月急剧的变化，也让很多当时做多因子选股的投资者受到很多的伤害，包括今年年初的时候我们也看到像低波动因子，我们长期认为这个因子还不错，比较稳定向上的曲线，但是在那一个月里面有一个明显的反向表现，也让量化产品产生了很大的回撤。所以它的瓶颈就在于，因子本身的回撤风险，它有点像“黑天鹅”的性质，或者说它有点像是一种海外卖期权的策略，80%的概率都是赚钱的，但是剩下20%的时间点就会让你把前面80%的盈利全部吐掉，并且这个风险可能是比较难预测的，这是我们认为它的瓶颈，有点“黑天鹅”的性质。

第二点，为什么投资者不相信因子择时？个股层面我们有丰富的金融理论去对个股定价，比如说绝对估值模型、相对估值模型，这些东西都是业界、学术界沿用了好多年的模型，非常成熟，并且还有人因此拿了诺贝尔奖。比如说期权也是有清晰的定价理论的。但是因子的收益这个东西没有理论模型，有人可能会说因子它不也是一个投资组合，它也是由个股组成，那我为什么不能用个股的定价理论对因子定价呢？这里面有一个问题，对于一些因子而言，比如说反转因子，上个月的反转因子的组合和这个月的反转因子的组合是变化的，我们所说的因子跟我们传统的金融资产有一个最大的区别是，它是一个动态调整的组合，并不是一个静态的组合，这里面就造成我们用一些传统个股的定价理论对它定价的时候可能会失效。

这是我目前看到的两个因子择时这方面的瓶颈。

段伟良：我结合一下我自己目前的一些研究来讲一下我碰到的瓶颈，主要是两个。

第一个是行业配置层面，我们通过对单个行业建一些基本面量化的模型来做行业配置，但这样做的话会有一个比较不好处理的问题，那就是如何去构建一个统一的框架去把这些模型综合到一起。因为我们现在做的一些基本面量化模型比较有特质性，每个行业采取的指标不一样，甚至预测的目标也不一样，所以即便你可以对单个行业作比较好的预测，比如说觉得它接下来盈利增速要起来了，那它跟别的行业比一定是更好吗？这个问题是需要我们去解决的，如何用一个统一框架把它们框到一起去比较？

这个问题我之前也思考了很久，目前想到可能的突破口就两个，第一个是基于PB-ROE的思路去建一个统一的框架，我们期望基于行业的基本面指标去构建行业的盈利预测模型，基于这个盈利预测给出合理估值的定价，再结合它实际估值和合理估值的偏移，得到它的估值安全边际，如果很多行业都能算出估值安全边际的话，不同行业之间那就具备可比性。第二个可能的突破口，将宏观经济周期和中观基本面量化结合起来，宏观经济周期是属于传统量化的范畴，它先对宏观经济状态做不同的划分，每个状态下去配置什么样的行业。但是我们仅仅停留在这个层面的话是不够的，在什么经济状态下就配置哪几个行业，这是有点太过于机械了，虽然说很多行业会受宏观经济周期影响，但是每个行业本身肯定也有自己的盈利周期。所以说我们结合中观层面的基本面量化模型，我们可以对宏观周期做出的行业配置的建议做一个很好的预判、跟踪，这是也是一个可能的突破口。

第二个瓶颈是选股层面，我们最近在思考怎么将行业内独特的选股因子融合到多因子的模型上面去，但目前还是有一些技术上的问题，比如说行业内的样本数量过少，还有如何融入风险模型也会碰到一些问题。目前这个我们也还在探讨，但是我想到的是，即便融合起来比较困难，我们也可以简单直接一点，直接用一种多个子策略并行运行的方式去处理这个问题，降低我们组合不同策略的相关性，这也是可以考虑的方向。

这是我对这个问题的一些感受和想法。

刘富兵：既然我们知道了我们研究的瓶颈在哪里，我们未来要发展的方向在哪里，我们肯定要做点事情，首先要基于我们的信仰去做一点事情，但这个事情能不能做成不好说，但我们总要去做一点事情。最后一个问题，在当下你能力所及的情况下，你认为能够做出来、自己觉得有意义想要努力的一些方向是什么？

我先讲我的观点，因为我不是财务科班出身，我金融也是半路出家，学的是金融工程。所以我个人的能力与偏好，更偏模型与数据些。第一个就是技术择时。大家对于技术分析有点误区，其实技术分析最根本的是做了市场的分类，仅此而已。未来市场是处于牛市、熊市还是震荡市，都是基于你的统计、认知并对分类做大概率的预测。举个简单例子，比如说现在是牛市，我们就按牛市来操作，但是如果有一些现象表征它是落在小概率区间，落在熊市，立马有一个熊市的应对策略。最初我很不理解为什么大家说不要去预测，只要跟趋势走就行了，你都不知道什么叫趋势，你怎么跟着趋势走呢？后来有些想明白了：第一，技术规则、技术指标就是把市场做了一个分类，根据这个分类你去做历史统计、做经验，你发现这个分类在历史上大概率是比较稳定的规律，那你去做大概率的事情，所以体系很重要。很多人告诉你按照规则执行就行了，碰到A我就往左转，碰到B我就往右转，所以你预测不预测压根就不重要，关键的问题是为什么你要碰到A往左转呢？比如说碰到金叉我们就做多，碰到死叉我们就做空，为什么你金叉就多，为什么不能死叉做多呢？核心的原因还是有一个预测，历史上金叉的胜率要比死叉高一些。所以相对来讲规则更重要，但这个规则都是带有预测性的。这一点我建议大家去看看达里奥的《原则》。其实达里奥运用的就是典型的分类思想，把自己的思想通过历史的统计和规律做一个分类，然后再按大概率去做。这是我要强调的，很多人讲不要去做预测，不要去做择时，但是想想我们做的所有东西都是在做预测，比如说，我认为动量因子、流动性因子很好，为什么它很好呢？因为它过去的表现非常好，收益很高，性价比很高，我认为它未来一段时间可持续，为什么可持续呢？是不是还是预测，只不过有的人预测性价比，有的是预测稳定性，所有的东西都是基于你之前你的经验、操作以及你的回测。这是第一个，我的建议是不要排斥预测。

第二个，最近大家看得比较多的周期，周期这个东西你要预测准我个人觉得几乎不可能，但是你可以做一件事情，你可以确定当下大概率处于周期的什么位置。因为周期更重要的是一个因果关系，不是一个前后的顺序关系，也就是说我们走到了这个位置，下一步很大的概率要到下一个位置，所以你了解了这个周期的位置，远远比预测未来是什么周期可能更重要。

也跟各位领导汇报一下，我们有一个分段模型，类似于波浪理论，其实这个模型只能解决市场的10%不到的问题，而且还会出错。但是就是利用这个模型我们不断地跟市场对话、沟通，使得我们对市场的理解方面要深刻得多，它其实也是一个周期，只不过是一个价格方面的周期。

有一句话叫“念念不忘，必有回响”，如果你知道了一个你认为有意义的事情，你持续不断地去思考、不断地去探索，一定会有回报，只不过这个回报有大有小、有多有少，这个跟你的能力有关系，当然也可能跟你的运气有关系。就找自己擅长做、能够做的、能力圈范围内的。我特别认同巴菲特先生讲的一句话，做能力圈范围内的事情，如果你能够跳7米栏你就只参加1米栏的比赛。所以其实你会发现投资和其他行业不一样，其他行业难度越高，越有挑战性，越有创新性，你做得好像越有意义，但投资其实说白了，我的理解就是采取降维打击，只要能够取胜就可以了。这是我的抛砖引玉。

下面让我们同事每个人讲一两句自己未来的方向，这样各位领导和客户也方便跟我们的同事对接。

殷明：我未来想做的方向，第一个还是想做一些相对比较高频的因子挖掘，还是跟算法结合的，比如像我们现在正在做的通过遗传算法和神经网络去做一些量价因子的挖掘，这个可能是相对更高频一些。目前我们也面临一个问题，随着我现在挖掘的因子数量变多之后，现在通过检验的因子越来越少了，可能未来还需要不断探索更前沿、更新的技术，这个也是我自己要解决的问题。另外还有一个出路，可能去做一些其他领域、其他方向的传统量化，比如像之前我也有简单做过一些比特币的多空策略，可能会有一些效果，因为最终我们还是为了赚钱，看哪里有机会就把模型用到哪里去，保持对市场的敏感性吧。

叶尔乐：我还是准备从假设的角度去做未来的模型，比如说从资产配置这个角度来说，我可能对资产收益率的分布，资产收益率走的路径到底符合什么样的过程，比如说最后的效用函数不是W^（1-γ）/（1-γ）的效用函数，通过对这些假设的修正来去做和真实的市场假设更贴近的研究。

除此之外，再给各位领导提供一个方向，有一个也不算特别新兴的数据分支，叫模糊数学或模糊系统，这个系统不需要知道真实系统精确的数学模型，而是可以用一些模糊的东西把这个东西估计出来，就像人们开车一样，我们不会每时每刻都感知到车子的具体速度是多少迈，但是我们会描述车速是快速、中速还是慢速。模糊数学听上去和神经网络比较像，但是它和神经网络的区别在于，神经网络是从结构或特征上对于动物的脑进行模仿，模糊数学是从抽象思维的层面去进行模仿和逼近，它本身还是跟概率论非常相关的，但是有一些规律没有被非常好的证明出来，所以现在在数学的应用不是特别的广泛，但它在比如说工业或控制领域还是有比较多的应用。为什么模糊数学没有很好的发展起来，除了数学上的额问题，还有关键主要原因是其终究没法分析系统的根本结构和原理，终究是不够安全的，但是在投资领域，整个系统的根本结构和原理本来就是几乎不可知的，模糊数学可能具有一定的用武之地。

林志朋：我这边主要是三个点或三个方向。

因为主要关注的是因子择时，第一个我觉得关注的是一些宏观、制度上的东西，比如说要关注A股的投资者结构、资金的结构和交易制度。比如A股如果没有T+0，也没有做空机制的话，那A股长期可能会有一个小盘溢价，这是我认为比较重要的点，偏长期。

第二点，把逻辑往上走，在中国打开市场以及互联互通大背景下，我们会发现我们的风格会呈现出一种全球共振的现象，比如说我们知道大小盘的风格、质量的风格、价值的风格、动量的风格是全球共振的，这之前已经有比较多的研究证明，不同的市场的风格是有联动性的。尤其我们现在发现外资逐渐成为A股的一块特别重要的资金，这是一个往上走的逻辑。A股里面往下沉有几个点比较有意思的，一个行业处于什么样的生命周期里面它适用的因子是不一样的；第二点，一个因子它要起来，比如说小盘因子，它会不会先从TMT行业起来，然后蔓延到周期行业，最后到消费行业，这种因子在不同行业的传导现象也值得研究。

第三点，关注因子本身的收益以及跟市场整体波动的关系，在市场底部的时候，跌得比较后期的时候，你会发现有一些高股息股票先企稳了，这个时候市场是底部的概率比较大的。

段伟良：我结合我的一些研究我讲一下未来可能应用的方向。

第一个是跟配置有关系的，包括FoF研究和资产配置策略，从中观行业基本面是可以给这些配置策略带来一些额外的信息。因为中观层面的逻辑和指标还是蛮丰富的，可以考虑把它加到我们的配置策略里面，这样可能可以提高一些胜率。

第二个跟选股有关的，假设我们能够提供胜率比较高的行业操配的建议，或者说能够提供行业一些独特的选股因子，也可以考虑把它加入到传统量化多因子模型，去带来额外的Alpha收益。

前面两个是跟量化相关的，但还有一个是跟主动投资相关的，因为我们经常也去路演，发现很多非量化的客户对我们这块研究蛮感兴趣。他们虽然说做基本面投资，但也在考虑把我们这些量化模型用进去，这也是可能可以融合的方向。

刘富兵：感谢四位同事精彩的发言和演讲，我祝愿在座的各位领导和同事每个人都能找到自己赚钱的法宝和方向。谢谢大家！