日前，在由同花顺（300033.SZ）和爱基金主办，银柿财经承办的“智胜未来”资管行业高质量发展峰会暨同花顺基金十周年庆典上，银柿财经就“人工智能对保险机构量化投资的影响”这一话题对中国人寿养老量化负责人刘强进行了专访。
采访中，刘强深入浅出，娓娓道来，向银柿财经清晰地解释了量化产品在公募、私募、保险资产管理及养老金四个领域不同的布局方向，并生动地描绘了人工智能模型在量化投资领域的应用现状。
养老金量化，不只追求超额收益，更追求绝对收益
谈到量化产品，投资者似乎对公募、私募的量化产品更加熟悉。对于保险机构在量化投资方面的差异化和特点，刘强告诉银柿财经，公募、私募、保险资产管理和养老金四个领域的量化产品布局方向各有不同。
首先，公募和私募在量化产品的布局本身就有所区别。公募量化有多种批次，其中传统的指数增强基金对标沪深300等指数。目前，公募开始做一些风格化的产品，比如说成长、价值类产品或赛道型产品，即把量化投资各子领域单独开发成一个产品策略。而私募量化大部分是指数增强类产品，偏向于追求更加纯粹的超额收益，而且有严格的对标基准。
“不过，从2019年开始，指数增强基金赛道就显得有点拥挤了，尤其是在私募量化条线。于是，私募量化开始发行空气指增类产品，该类产品与传统指增产品的不同之处在于其没有严格的对标基准，而是从整个股票市场中选择认为未来大概率会上涨的股票。拉长期间来看，空气指增产品可以获得不错的年化收益。在空气指增方面，私募走在前列，近几年公募也在朝这个方向发展。”刘强表示。
其次，保险机构在量化层面的需求，跟公募、私募需求天然不同，同时，不同来源的保险资金，如人身险与养老金，在量化产品分布上又有不同。
与公募、私募资金相比，保险机构资金的不同之处有两点。其一，保险机构资金管理的考核周期更长。原因是保险资金具有天然的久期优势，以人寿险为例，客户需持续缴费多年，因此保险资产管理需要保证客户缴纳的保险资金的稳定增值。其二，从考核标准上来看，与公募基金考核市场排名或追求绝对收益不同，保险机构资金追求对标配置基准的长期稳定超额收益。原因是保险资金大多具有十数年的稳定现金流入，这对保险机构而言是长久期负债。在久期匹配上，保险机构需要投资长周期资产以匹配长久期负债，因此对于天然具备配置能力的保险资管来说，相比起人寿权益资产的短期波动，会将注意力集中于产生对标基准的长期稳定超额收益上。
刘强进一步指出，他目前所管理的养老保险资金，与传统保险机构的资金在量化策略的配置上又有不同。保险机构资产的资金来源分为两种，一种是保险资产管理公司所管理的保险资金，例如人寿险、财产险等人身保险类；另一种则是定时缴纳的养老保险资金。
二者不同之处在于，其一，虽然养老金久期更长，在长久期匹配上需求还要更高，但是由于客户需求的原因导致其真实的抗波动能力低于传统保险资金。其二，养老金量化相关考核标准不只单纯追求超额收益，还要追求阶段性绝对收益以及在极端风险事件发生时对收益的保护能力。刘强告诉银柿财经，“人们对养老金相关产品的概念就是要求其每年稳定升值，不太能够接受在某一年有大规模的净值波动或亏损。”
“举例来说，2022年全市场大幅杀跌的情况下，养老金要做好两方面的风控。一是股票仓位是否能够动态决策，在某些时点控制住权益资产的回撤；二是在策略层面，量化策略天然具有对冲方式，在市场大幅杀跌情况下，怎么能够更好保护好本金，及时引入对冲机制，是养老金更加注重考虑的问题。”刘强表示。
以AIGC的问答形式来做投资很难实现
谈到对于人工智能否深刻改变二级市场的投资逻辑，刘强表示，“量化界的投资逻辑早已改变，但改变整个二级市场的投资逻辑，我个人认为还是比较难，起码短时间内很难看到。”
刘强告诉银柿财经，量化界投资范式早已改变。早在2015年，像Two Sigma之类比较有名的海外量化机构，就已经将人工智能算法层面的模型引入了投资中来。国内量化领域真正开始运用机器学习模型进行投资大概是在2016年，大规模运用是在2019年以后，前期主要集中于私募行业，最近一到两年公募与险资也开始了相关的布局。私募的交易与风控机制的不同，使得相关策略更容易在私募产品内实施，且成本更低。
刘强进一步解释道，以风控为例，人工智能模型在量化投资里的应用之一，是通过分析交易数据来对标的未来一段时间内的价格趋势进行预测，预测时间越短，预测效果越准确。但这要求很高的交易速度以及相对应的高频交易算法，公募可能无法处理这种高频率交易的风控以及相关高频交易算法的储备，而私募在风控层面有很大冗余度。
而谈到人工智能改变整个二级市场的投资范式，刘强认为还有困难。其解释道，目前市场热议的人工智能指的是大型语言模型，尚未达到科幻影片展示的智能级别。模型是没有自主意识的，而是在全监督学习、半监督学习，或是无监督学习情况下，对过去一段时间的时序数据进行归纳总结。
“目前比较火的生成式AI，以问答形式展开，是否能通过问答形式来做投资，还有待商榷。”刘强告诉银柿财经，简单说来，其后台运行方式，是用户提问以后，算法把问题里相关数据拆解开，然后跟其学习过的历史数据进行比对，找到跟用户提问中相关信息匹配度最高的数据，把它拿出来重新组织并反馈给用户。在现有体制下，以生成式人工智能的问答形式来做投资较难实现。
“要说人工智能改变投资范式，量化领域的投资范式已经改变了，而进一步改变主动投资的范式，这在未来也许会的。”刘强谈到，比如，投资经理在根据标的做模型分析前，需要跟卖方分析师或同业去调研来了解行业趋势。而生成式AI能够对全市场同一标的的研究报告进行全面总结，并反馈给投资经理。从而减少投资经理在信息收集、分析的工作量，在优化投资决策流程层面来讲，生成式AI可以起到很大作用。
量化投资中已有AI模型应用，但更重要的是使用模型的人
刘强对银柿财经表示，人工智能对他所负责的业务已经产生了实质性帮助。据刘强介绍，他所从事的量化投资业务最重要的有两点，一是对标指数得到超额收益，二是能够尽可能选到未来能上涨的标的，或预测到未来市场下跌，采取相应保护机制。
从这个层面，他们公司及团队从去年开始搭建自己的人工智能平台与算力设备，逐步开发相关模型与策略。这类模型有一个迭代的过程，需要进行动态监控。他们会把能够拿到的时序数据，以所需要的模式输入到模型中去，而这些模型会根据输入的参数和需求输出相应观点。他们再根据这些模型的结果，把所有的观点汇总后对未来的股价做预测。
人工智能模型目前在涨跌幅波动较大的活跃标的上预测效果更好，但若是沪深300这类体量大、波动性小的标的，模型有效性就比较低。“这就是业界常说的，人工智能相关的量价模型有一个规模上限。而保险资金的规模天然较大，一般有千亿级别以上，相较公募、私募，其在交易上的摩擦成本、管理成本相应上升。”
“在这种资产规模下，想要大规模运用人工智能预测模型去做交易的话，相当于一头白鲸在一个较小的游泳池里游泳，很难灵活转身，所以，目前我们会拿一部分资金来尝试这类交易性策略，并不断探索其对传统养老金投资的辅助作用。”刘强告诉银柿财经。
“在量化领域要参与高频交易，在叠加了传统多因子体系的框架下可以实现百亿规模级别的管理，但这涉及到大量的细节管理，例如不能每次都大规模换手，买卖需要有一个过程，而这个过程因人而异。”刘强表示，他所在团队目前在运用人工智能预测模型做交易层面上有一定布局，同时有运用这种策略的实盘，在去年这种行情下，该策略表现较好。
刘强进一步表示，这类策略不一定会持续表现得很好，短期内会有阶段性失效，但这也是模型要迭代从而变得更加贴合市场的原因。比如今年3月份，全市场基于量价学习的模型表现大幅低于预期，如果没有很好的风控，这个月内回撤就会比较严重。对比主动投资，目前市场热点比如生成式AI大涨，存在着量化投资逻辑和主动投资逻辑的背离。这个问题的本质是均值回归，背离到一定程度后又重新靠拢，背离或靠拢都是阶段性表现。
“除模型外，更重要的是使用模型的人。投资经理团队需要知道在怎样的市场情况下，用什么机器学习模型，去学习哪些数据。并非把全市场所有数据丢给这个模型，它自己就能算出来。”
“不同的数据，在不同的时点、以不同的方式、通过不同的模型去计算将得到不一样的结果；即使是同一模型，对同一组数据进行学习，但参数设置不一样，也将影响结果。人工智能在量化投资中的应用，是一个很大的概念和一套极其繁琐的逻辑，我们目前也正处于摸索调整之中。”刘强表示。