稳博空气指增路演全文+QA

稳博空气指增路演全文+QA 内容：稳博空气指增路演全文+QA 前言 时间：2023年12月 上海稳博投资成立于2014年，在2015年12月取得私募证券投资管理人资质，截至2023年11月底，管理规模超过200亿。稳博利用独创量化模型通过对经济数据的分析，对期货、股票、股指等大类资产周期性波动变化的研究，研发了高频量化策略、趋势策略、波段策略、套利策略等多元化投资方式。 公司历史介绍 稳博在今年整体，各类策略都做得不错。核心原因是这几年，整个公司的团队包括人员，也是做了比较大的迭代和升级。因为我们看到公司从最初做到现在已经有接近10年，也是经历了10年积累，稳博由最初的两位创始人郑总和殷总，到现在整个公司也是有140多人。 郑总和殷总当时是07年被保送到交大本硕连读班，13年硕士毕业以后，他们就开始自主创业，当时主要做一些模型包括系统。也是机缘巧合，然后和另外的朋友一起做股指高频，包括像一些套利模型。在14年，因当时私募新规成立稳博，当时主要还是用公司账号和个人账户去做，也是经历了短暂了两三年，把自己的十几万资金差不多做到了接近两个亿。 到18年，稳博开始走自营，当时我们也从外面引入了机器学习团队。一方面，我们会发现整体很多海外的高频机构也加入到中国市场；另外一方面，像18年，机器学习把国际上顶尖的就是围棋冠军打败，所以整体上它归纳的方法论，在股指高频包括T0是做得比较不错的。 18年到20年，我们一直是在做自营比较多一些。 到20年，整个公司也是达到十几亿，当时也是因为受到容量限制，包括受到整个市场的情况下，稳博开始准备进入了资管市场，20年初我们从外面引入了一些新的研究员，然后搭建了新的方法论，然后整体整个公司开始做1000指增包括像500的指增以及中性产品线。 投研团队介绍 经历1~2年的发展，整个公司也是从20年初十几亿，到21年初30多亿，到22年整体规模达到了80多亿，到23年初整个规模突破了100亿，到现在整体规模已经突破了200亿。 整个公司的管理团队，还是以郑总和殷总为核心，因为郑总学的是电子信息，所以他在整个算法优化和市场博弈交易执行方面做得比较优秀；殷总学的是人工智能，所以殷总在整个阿尔法模型开发，包括整个量化的交易体系，有自己比较独特的方法论。整个公司的投研体系，还是以郑总和殷总为主。钱总是21年加入公司，钱总在复旦本硕毕业以后，也是在各个海内外银行，包括像券商各种金融机构工作，主要比如像汇丰银行，包括像东亚银行以及上海银行、华鑫证券，在这些金融机构，钱总也是负责整个产品体系的搭建包括管理工作，所以进入公司以后，也是对整个公司的管理框架体 系，包括产品体系做了迭代和升级，这几年对我们整个公司市场产品的一致性，包括整个管理体系的有比较大的提升。 我们也看到这几年发展，我们整个投研体系是采用了核心组加上独立PM形式来进行去做，核心组现在还是由郑总和殷总带领，整体也是分为做数据、因子挖掘、模型搭建、信号优化、交易执行，整个差不多有60多个同事，整体我们现在所有资管类的产品都是由核心组来进行去做。这样是能够保证我们整体所有资管类产品，不管客户投的是哪一家代销，包括直投都是一致的。 我们现在还有5个独立PM，5个独立PM大概有10来个同事。整体独立PM有一部分是我们培养的，另外有几个独立PM，也是我们从国内外比较知名的公募、私募的一些量化团队来进行去挖的。这样，独立PM因为和公司是独立进行核算的，他们对于整个自己的系统模型的奖励机制各方面是有比较大的分成比例，也能够保障很多能力比较强的，能够在公司长期发展，包括像核心组这边的同事如果比如最终做到能力比较强，也可以申请独立PM，这样对于他们整个奖励机制，包括整体的晋升机制，也是有比较大的帮助。这也是最近几年，稳博在投研人员整个流失率各方面在整个行业比较低的，是几个人流失，但是我们从外面也引入了差不多有20个同事。这个也是我们这几年在整个体系稳定性，包括持续性有比较好的提升。 整个公司，投研大多数人员还是来自清北复交获得奥林匹克，包括ACM各种金奖的，以及也有一部分是从别的机构挖的比较资深或者成熟的同事。做量化也是比较残酷的行业，我们对于获奖的相对来说，他们在对于一些方法论，包括对一些解题思路有一些另类思维，这个对于我们来说，整体在整个模型的迭代包括有一些新的方法包括新因子挖掘出来，还是有比较大的帮助和提升。 现在IT部门差不多是20多个同事，整个IT也都是从国内外互联网大厂，包括一些比较资深的机构挖过来的。因为量化的交易系统，包括IT系统对接对整个策略的贡献比较大，像我们自建的VQuant系统，以及它在每次交易可以打赢市场平均交易价格Vwap2~3个bp，一年下来收益也是可 以增强 2~3%。 各产品线介绍 公司经过9年多的发展，现在整个管理也是200多亿。整体规模相对来说比较多，主要还是指增产品，指增现在一起大概是有90多亿，其中1000指增接近90亿左右，因为我们的1000指增，我们看到不管是最近一年，包括最近三年，整个超额一直处在行业前3前5之内的。 500指增，只有4个多亿，500指增相对来说，最近一年运作以来，也能够排在行业前15%之内。 300指增，整体大概有几千万，主要公司自营资金做测试，参考意义不大。 量化选股，现有规模接近20亿。从去年开始到现在做了20个月，整体收益也是做了40%多，去年做到了19.5%左右，今年已经做到20%以上，最大回撤也是控制在10%左右，夏普也是做1.0以上，对于很多投资者来说，相对来说是比较大的性价比，对于很多市场未来判断不明确，是一个比较好的切入点。 量化对冲，我们是同时用500和1000底层阿尔法，然后来用500和1000的股指做对冲，今年整体也有12-13%以上，最大回撤也是控制到 4.5%之内，整个产品运作三年多，每年收益差不多也有8~12%，整体满足很多投资者诉求。 稳稳系列是我们主要和银行进行合作，这部分主要是用成份股然后做对冲叠加T0包括基差管理，它每年不高，每年收益大概只有6%上下，但是回撤也是控制在2%之内，这也是满足了很多机构资金的需求。 另外还有30-40亿，主要是DMA（杠杆中性）策略，包括杠杆多空策略，这部分今年收益大概有70%-80%，但是回撤波动也比较大，回撤有十几个点。 还有几个亿，主要给独立PM来进行去做测试开发。 这个是整个公司的产品和布局情况，公司更核心还是看重阿尔法能力。 量化和主观的区别 另外我们也简单看一下整个量化投资，今年受到的非议包括问题比较大的，因为这个点一方面确实在于今年市场大环境不是特别好，但是相对于市场大环境，量化还是有正收益。因为我们知道量化更多赚的是概率性事件的钱，因为大多数做量化模型，包括投研同事都是学数学、物理、金融工程、计算机这块会比较多一些，我们只需要把模型把体系能胜率能达到55%以上，这个模型就可以持续的应用运作，长期以来也是能够获得比较不错的超额水平。 另外我们也会发现，个人在做投资的时候，会有一些贪婪、恐惧、侥幸心理。但是我们用量化计算机来进行去执行，它就完全按照数据包括按照模型的结果来执行，就可以克服人的贪婪和恐惧。 未来规划 量化和主观有不同点，量化更多的模型来做，主观更多的基于对于未来的归纳和判断。整体整个量化的投资流程，也是从最初的想法然后到数据的采集，然后再挖因子以及做组合和风险优化，最终是交易执行和迭代验证。整体量化也不是只需要把电脑打开以后让这个模型自己就能跑就可以了，其余可以进行休闲娱乐。更多时候量化也是需要把每天的数据，包括每天市场情况都做综合分析，这样对于未来相对来说也是做数据库的处理，对于未来的长期发展有比较好的帮助。 整个公司的投研团队人员各方面配得也比较齐，我们针对各个细分领域都有进行配置，所以公司投研的策略的迭代，也是处于高产，正常情况下每到2~3个月，会做一次子策略的迭代，然后半年到一年左右的时间，相对来说会做大的迭代，这个对我们也是有比较好的提升帮助。 另外公司经过这10年的发展，也是对不同的市场情况下的各种策略有比较长期的积累，也形成了比较好的市场认知，包括运作了有效性各种进行判断，这个也是对于我们整体的综合实力的考验。因为像我们除了在投研各方面有比较先布局，我们在管理机制各方面也做了比较大的提升，整个公司在人才包括IT数据各方面都有提前的投入，比如像未来两年左右，我们也是想招聘三四十个研究员，其中有30个比较偏应届，另外相对来说10来个偏资深，这个也是为了后期的发展提前做布局，而且比较核心也会发现我们的郑总和殷总大多点都是在和投研和交易在一起，然后进行去做策略包括在做交易，这个对于整个公司的文化的文化理念，包括整个点也是有比较大的帮助和提升。 以及像我们基金经理个人的钱，包括股东的钱，很多也是投到我们产品里面去的。这样最终也是保证他们和投资者包括整个合作机构利益一致性会相对来说比较强一些。整体公司经过这几年，也是经历了专业化管理，在管理机制，整个人员流失，各方面都比较低，整个人员的绩效各方面比较强。这个也是对于我们一年多到两年的整个超额一直做得比较优的，包括像我们量选整个绝对收益做 得比较核心的一点，对整体整个公司的文化理念是想做行业的投资工匠，公司的文化Logo也是，想说行稳致远，厚积薄发。 Q＆A Q1：稳博在整个阿尔法模型的开发流程和别的机构有哪些不一样的点？这些不一样的点，对公司有哪些影响？ 答：整个公司在整个超额包括整个绝对收益这一年多到两年还是比较靠前一些，整体首先在方法论搭建过程中，因为相对来说我们人员各方面分布的会更均衡一些，所以针对整体方法论的搭建，我们是采用多方法论。因为像我们整个模型体系，从最初的郑总和殷总做股指高频包括做套利，到18年加入机器学习，然后到20年又把截面、基本面的一些阿尔法，然后到22年开始转变，以量价高低存量为核心，整体转变在这个过程中，我们也是融合了不同的方法论，这样对于未来可能发生的风险点各方面有比较好的应对，已经也能够获得不同时间节点、不同的策略模型各方面获得比较好的结果。另外像数据，公司每年在数据上投入也是在相同规模体系范围内投得比较多的，因为整体对于数据，我比如我们基于交 易所的高频统计的数据，我们可以分析出整个市场整个市场35%~40%左右的交易对手方式。这样基于分析，等到交易对手方再次准备下手的时候，我们就可以做好比较快速的反应，基于这个，也是能够抓住一些比较好的机会，包括投资机会和一些时间点。 整个公司现在因子库因子算比较多，大概有2万多个因子，在实际应用中，因子差不多也有800多个到1000个，整体因子我们还是采用多因子模型，但是我们在整个模型搭建，整个公司采用的是按照机器学习的方法来做。这样整个模型，因为它基于包括线性的和非线性，包括以神经网络各种不同类型的组合，在这些组合类型我们就会发现有一些比较有性价比的，后面针对于市场风格，包括对整个市场变化能够及时的调整和优化。因为像我们现在整个公司，所有的策略都是基于阿尔法来做，整体是针对整个全场进行标的进行去选择，选择完以后对于未来3~5天的这些 标的会做周期预测，最终风控来进去执行。整体整个模型体系还是以偏价量和高频统计量为主，这两个占了 70%-80%。然后另外像其他类的包括财务因子以及一致预期各种因子占比相对来少一些，更多是主要还是偏价量关系。我们现在整个预测周期 也是偏3~10天，一方面我们尽可以既可以对短周期，因为从程序各方面有比较好的影响带入，另外一方面我们也有针对是提前10天以上的基于投资逻辑，包括统计有比较好的结果。整个公司，整个因子贡献从核心还是基于投资逻辑和数理统计。因为现在整个模型包括体系，我们能够规划出80%多以上的胜率，基于这个胜率可以找出不足点进行优化执行。 但是我们整个机器学习各方面占得不多，机器学习只占了5%，所以我们最终对于自身的归因分析各种的做得还是比较准确的。基于准确性，我们能够比较好得针对不同的市