21世纪经济报道记者黎雨辰

　　当全球宏观波动加剧，“历史数据参考性下降”正成为量化投资人普遍面临的挑战。市场结构、参与者、流动性、行业规模及风格切换速度的快速变化，以及尾部行情样本的稀缺，均易导致量化模型低估尾部风险。

　　换而言之，在不确定性中寻找“确定性”，对量化模型而言也并非易事。如何进一步锤炼模型在复杂环境中精准剥离噪音、捕捉有效信号的能力，已成为不少量化私募的重要课题。

　　4月16日，由彭博（Bloomberg）举办的“把握变局——宏观、权益、跨境衍生品与量化策略新探索”私募论坛在京举行。

　　会上，灵均投资组合投资经理、量化基金经理詹思云，围绕宏观环境判断、AI与大模型应用及行业竞争格局等议题，分享了量化私募机构在不确定性市场中寻找确定性的实践路径，并展望了AI驱动下行业发展的新方向。

　　“宏观越复杂、市场越无序，量化越要坚守数学逻辑与投资纪律，以系统化应对不确定性。”谈及今年以来宏观环境变化对资产的影响，詹思云表示。

　　形成从数据去噪、信号建模到执行风控的全链路降噪体系，是量化机构的核心“看家本领”。据介绍，目前灵均投资通过搭建系统化假设检验框架，依托大数定律反复验证，叠加历史回测与仿真模拟扩充样本构筑这一体系。

　　同时，灵均投资以超10万个信号、上千个子模型实现极致分散，搭配严苛尾部风控框架，将下行风险约束在模型预期范围内。公司还强调价量因子与基本面因子可互补融合，助力组合提升收益、优化夏普比率、控制回撤，力争成为资产组合的稳定“压舱石”。

　　此外，关于AI在量化领域的应用现状及未来趋势，詹思云还从当前实践与长期展望两方面进行了解读。

　　据了解，现阶段国内量化行业已深耕机器学习、深度学习十余年，显著提升多因子模型预测效率与能力；生成式AI当前更多扮演“投研超级助理”的角色，在代码生成、逻辑梳理、文本处理、行情数据自动化分析等环节提升生产力，尚未直接颠覆核心预测逻辑，因子挖掘仍以树模型、时序Transformer、图神经网络等监督学习模型为主力。

　　与此同时，AI正在降低另类数据处理成本、提升数据质量，弥补量化在基本面与非结构化数据上的不足。未来五到十年，若AI在多模态数据处理、非结构化商业信息理解上实现突破，量化将打通价格数据与上市公司真实经营情况、实体经济脉搏的连接，行业研究深度将实现系统性跃升。

　　对于行业竞争格局， 詹思云认为，AI不会改变对Alpha确定性的追求，而是重构竞争维度：未来能将大模型深度融入“数据处理—模型研发—实盘交易—风控迭代”全闭环的机构，将占据竞争优势，开启量化投资新范式。