七禾網注：嘉賓回答僅代表其本人觀點，不代表七禾網的觀點及推薦。金融投資風險叢生，愿七禾網用戶理性謹慎。

魏銘三

畢業于浙江大學計算機&人工智能研究所，致力于將人工智能與金融智能交易領域相結合。曾任職于央行下屬中國外匯交易中心暨全國銀行間同業拆借中心， 后投身于陽光私募行業，將人工智能與機器學習的方法帶入金融市場進行實驗，在機器學習框架下完成了上百套完全智能化的交易模型，覆蓋了從國內股票、期貨以及全球市場的交易模型，均取得了高夏普與高風險收益比回報。

精彩觀點

我看了非常多的書，總結下來基本上是說，你要制定一個交易計劃，然后照著這個交易計劃去執行。

如果我們的程序化策略永遠都是不更新的，永遠都是那套舊的思維理念，只是改變參數的話，那程序化交易肯定是越來越難做的，因為這個市場隨著參與者水平的提高，市場整體也在提高。

有很多重復勞動型的職位，其實漸漸也在被社會淘汰，這也是人工智能在社會上面多種行業的一個體現，那自然而然，金融行業其實也面臨著這樣的一個迭代的過程，重復性的、可替代性的職位就會被人工智能所替代。

我們已經做到把圖像識別的技術用在K線上面，它很快地就能從這些K線的組合里面去找出能夠有勝率的一些組合，大概也就是幾分鐘的時間可以找出十幾種、幾百種有用的這種K線的組合。

股票上面的策略，我們就會涉及到基本面和場外的一些數據，還有一些事件驅動的策略去做，期貨和數字貨幣的話，我們就純從量價上面去考慮，就放在我們機器學習和人工智能的框架下面去進行學習和交易。

之所以大家會用程序化這種方法，就是因為它執行力強，如果你把它關掉或者手工干預的話，那又會變成手工主觀交易的一部分，就發揮不了它執行力的優點。

賺錢的策略我們會給它更多的資金，如果是虧錢的話我們會把它的倉位減下來，甚至最后淘汰掉，所以本質上就是贏沖輸縮、賺錢多賺。

高頻關鍵不在于交易策略的思路，而在于你的執行，其實大部分時間我們不是在研究策略，都在解決系統發單的時候并發性還有對柜臺、線路的了解、機房的布置，還有就是怎樣利用操作系統的一些比較巧妙的地方去提升速度，并且讓這些策略或者訂單不會亂掉，還有IT隊伍的培養

不是追求策略的換和不換，而追求的是一種能夠在大多數行情里面都能穩定的這樣一些策略，找到這樣的策略是重點。

如果這個策略是穩定性的，那么可以放到我們實盤的策略池里面，它賺錢了那我們會繼續加倉，如果虧錢了我們會減倉，如果它虧到一定程度，我們直接會把它停掉不做，讓它繼續做模擬盤。

不是說量化交易把主觀的交易者淘汰了，而是說淘汰了那種模式，轉變為一種新的模式，就是人會更多地利用模型或者數據去分析，這個分析有可能是分析完了計算機去執行，也有可能是計算機提供給人一種輔助的工具，然后人來追蹤、判斷，我認為是這樣的一個形式。

七禾網與Trade Speed急速云聯合推出了“七禾云”云服務托管服務器，采用高頻交易的硬件和軟件架構，并且利用交易所周邊網絡資源，專為程序化交易者提供高速的云服務托管服務器。

點擊查看詳情：做量化，就用“七禾云”?。ǖ脱訒r、高性價比、手機端可操控）

七禾網1、魏總您好，感謝您和七禾網進行深入對話。您做期貨已有8年時間，當時是怎樣的機緣巧合使您進入到期貨市場當中？

魏銘三：說來也比較巧，我在學校的時候自己也炒股票，當時自己在學校倒騰一些小生意就有些閑錢，就想著去做點別的事，就想到炒股票。一開始我主要是自己瞎做，瞎做肯定會虧錢，虧了之后，因為我是學計算機的，我去旁聽一些金融系的課程，老師推薦了一些書，我當時看了非常多的書，總結下來基本上是說，你要制定一個交易計劃，然后照著這個交易計劃去執行。基本上所有書都是講這個，還有些書就無非講一些細節，告訴你交易計劃該怎么制定。當時覺得這樣做效率比較低，因為我是學計算機的，就嘗試在EXCEL開發一些在某個價位進或者出的這種方式。后來到大四的時候開始選課題要做畢業論文，有個老師的課題叫期貨市場交易策略的實現，這就特別契合自己想要了解的東西，就報了那個老師的論文課題。最開始接觸程序化，就是通過論文的形式，當時我的畢業論文就是用程序化方式去實現期貨市場的海龜交易法則，所以從那個時候起就接觸到了程序化交易，當時程序化交易只能用在期貨上面，自然而然就進入了期貨市場。

七禾網2、您在大學時就開始研究程序化交易，為什么您一開始就選擇程序化交易而不是主觀交易？

魏銘三：我一開始就是瞎做，就是沒規則地做，那時候分不清楚什么是主觀交易、什么是量化交易，后來意識到無論任何的交易法則，基本上都提到一句話，就是計劃你的交易，交易你的計劃，后來對交易、市場、工具、品種等有更深的認識之后，知道有主觀交易、程序化交易之分。我是學計算機專業的，了解了這些情況之后，我就認為程序化交易最能體現出之前的那句話——計劃你的交易，交易你的計劃，并且能夠把它執行下去，我就覺得程序化交易是最適合自己的。

七禾網3、在您做期貨交易的這8年中，從程序化交易的角度來看，您認為市場有哪些變化？是否感到程序化越來越難做？

魏銘三：我先回答第二個問題，就是程序化是不是越來越難做。這里就分成兩方面，第一個方面，如果我們的程序化策略永遠都是不更新的，永遠都是那套舊的思維理念，只是改變參數的話，那程序化交易肯定是越來越難做的，因為這個市場隨著參與者水平的提高，市場整體也在提高，所以程序化策略本身如果是不更新、不迭代，還是老一套的話，那就會越來越難做?；剡^頭來我再想，其實8年是一個比較長的周期了，在這么長的周期里面，市場自己進化的速度也是非?？斓?，不光是市場參與者本身，從監管政策的角度來看，監管的風格變化都相當大。我舉個最簡單的例子，做程序化設計會比較細，如果你要平倉的話，你要去選平昨還是平今的指令，當初為什么要區分？因為以前平今是不用手續費的，是鼓勵你多交易的，但現在平今反而手續費是非常貴的，我們要用鎖倉的方式去規避這個手續費。那這8年間，監管的思維從以前的鼓勵交易、多交易，變成了不鼓勵你多交易，想讓交易不那么活躍，就從這個層面來講，這8年的市場變化都非常大，進而對程序化的影響就會非常大，那當然是會越來越難做，這是第一點。

第二點的話從市場參與者的角度來講，8年前，2010年的時候做程序化的人還不是那么多，而且程序化對于大家來說還是一個比較起步的階段，無論討論的內容的等級層次，還是參與者的專業度水平，包括私募里面量化私募的占比，都不是特別高，也就是說那個時候是一個野蠻、比較粗放的市場，那個時候大部分品種波動都還比較大。然后后面經歷了幾個階段，第一個階段我認為是百花齊放的，很多品種都有自己的行情，螺紋鋼、農產品都會有部分的行情。到2014年，大部分做程序化的人轉型去做股指了，那個時候股指的交易量大概占了整個期貨市場的80%。再到現在，股指被限制了之后，商品上面就變成了局部的一小部分行情，這上面變化也是非常大的。而且現在參與者除了很多國內本土的比較優秀的量化交易者外，還有國外非常有名的公司也到國內來進行交易，現在我們國家也歡迎這些優秀的對沖基金進來，所以參與者的結構變化也相當大，這個市場和之前是有很大不同的。

七禾網4、您從浙江大學人工智能研究所畢業，對于人工智能在期貨交易中的應用您怎么看？未來可能人工智能在期貨交易中的應用會越來越廣泛和深入，您認為這對程序化交易來說是否會造成比較大的沖擊和挑戰，程序化交易是否會越來越難賺錢？

魏銘三：我當時師從金小剛教授，金小剛教授在人工智能上面還是比較有建樹的，我跟著他學了不少東西。至于人工智能在期貨上面的應用，我覺得對于我們團隊來說還是一個工具，這個工具我相信以后不光是在期貨行業，在任何行業它一定都會普及開來，并且會實際地去替代一些人的工作。我舉個最簡單的例子，我2012年的時候就在杭州創業做了一個資產管理公司，那個時候我們還是比較傳統的，會招聘一些策略師，要求他根據我們的一些交易想法，把它實現出來，也有可能是他自己發現了一些方式，或者跟一些主觀的交易員聊，然后把一些可以量化的方式寫出來，以前都是這樣子的。后來，我們在2015年就自己搭了一個人工智能的框架，到現在我們的團隊構成就再也沒有策略師這樣的職位，我們現在更多的都是算法工程師，還有數據分析師，基本上就這兩個職位了。我們這個框架搭建起來以后，團隊里面就把策略師這樣一個職位淘汰了，除了跟交易相關的，現在有很多重復勞動型的職位，其實漸漸也在被社會淘汰，這也是人工智能在社會上面多種行業的一個體現，那自然而然，金融行業其實也面臨著這樣的一個迭代的過程，重復性的、可替代性的職位就會被人工智能所替代。

至于未來人工智能在期貨上面會不會對程序化造成一個比較大的沖擊，如果說這個程序化交易指的是狹義的，就像策略師，我們自己去總結一些規律，然后把它開發出來，那我覺得肯定會淘汰他們，我們自己內部已經淘汰了，對于整個市場來說，像這種還要自己去開發策略的，永遠是會被淘汰的，因為我們的算法可以做到很快地去總結出這些數據里面暗含的規律 ，把它尋找出來，這會比人總結和尋找效率高非常多倍。在我看來，做交易無非都是從歷史的，或者以前的經驗里面去總結規律，找出一些勝率比較高的交易模式，無論是我們以前總結的像傳統的K線戰法，或者是一些指標的運用，這些都是以前的人總結的交易經驗，但是他們花了這么多年，十年、二十年出了一些經典的書籍，比如《日本蠟燭圖戰法》，這些都很經典。我們已經做到把圖像識別的技術用在K線上面，它很快地就能從這些K線的組合里面去找出能夠有勝率的一些組合，大概也就是幾分鐘的時間可以找出十幾種、幾百種有用的這種K線的組合。這樣的話，對于傳統的寫一個策略還要這么久，還要模擬再跟蹤，現在幾分鐘就能搞定，然后就可以上模擬或者實盤，所以這種速度是不能比的，那這對于程序化交易來說沖擊是非常大的，但是我們做完這些模型之后，仍然也會照著模型去執行，所以從泛程序化來講，人工智能本身就是泛程序化的一部分，淘汰的會是那種傳統的、人工開發的這些類型的程序化交易。

七禾網5、據我們了解，您已經在用機器學習的方式生成策略、進行實盤交易，但是有的人認為，這種方式背后沒有交易邏輯支撐，這樣的策略有效性待考證，對此您怎么看？

魏銘三：確實會有很多人反駁，機器學習、人工智能這些是不是會過擬合，其實反過來想，這討論的不是人工智能有沒有邏輯支撐，而是過擬合的一個問題。不管是人工智能、機器學習去做模型，還是人去做模型，都會遇到一個過擬合的問題，人做一些簡單的模型，他如果用了非常大量的參數，然后去優化，不是人工智能做出來的，但一樣面臨著過擬合的這樣一個問題。還有一點，所謂的交易邏輯支撐這個問題，之前我們組建框架的時候也問過自己，它背后有沒有邏輯支撐？這上面會不會在以后不能夠賺錢，而只是在學習的訓練樣本上能賺到錢？我們也思考過這些問題。后來有一個例子給了我們比較大的信心，一個國外的對沖基金經理叫伍德瑞夫，他有個自己的投資公司叫QIM，QIM從2003年以后就開始發行產品，公開地對外展示，這個公司有個有趣的地方，它一共只有30名員工，其中29個都是和策略沒有關系的行政、財務這種功能性運作、行政性運作的職位，只有一個策略師，就是伍德瑞夫這個創始人本身。他們管理了30億美金的財富，但策略師只有他一個，那他怎么做到呢？后來他在2015年接受了采訪公開說了，他就是用機器學習和人工智能的方式去制作他的交易策略，用他的機器學習的算法，每分鐘就能找到上百個有效的模型或者模式，那這樣的話他其實從成千上萬個模型里面，挑出他認為能夠賺錢的幾千個模型，然后就來管理他的30億美金資產。他做CTA策略，幾乎每一年都跑贏全球市場的商品指數，自從2008年以后標普已經翻倍了，他仍然是跑贏了標普。所以這上面證明了借用機器學習這樣的算法是可以的，并且他說只用到了量價的數據，沒有用到其他任何東西，純從機器學習的規律去挖掘，但是最重點的不是說背后有沒有交易邏輯，他認為最重要的是找到一個衡量策略在之后仍然能夠賺錢，也就是衡量這個策略穩定性的方法，是最重要的，因為他認為人的理解能力是有限的，所以有些交易邏輯人沒法理解，但是不能認為它不存在，他寧愿用機器學習找出上萬個這種看似是有預測能力的模型，然后用比較嚴格的挑選方式去選出具有穩定性的幾千個，也不愿意在有限的邏輯里面去找那十幾個模型。其實我們后面從實戰的基礎來看，雖然我們的模型確實也都是純從量價數據用機器學習和人工智能的方法去找尋這些數據背后的規律，它們不一定要有邏輯支撐，但是從結果的表現來看的話，它還是比較有效的，最主要還是衡量穩定性的方法，這點我們和伍德瑞夫的理念基本上是一樣的，這點是比較重要的。

七禾網6、您股票、內外盤期貨、數字貨幣都參與過，您是否主要都是以量化的方式參與？不同市場之間所用的量化方法有何不同？

魏銘三：無論股票、期貨還是數字貨幣，我們分成兩種，一種是涉及到基本面維度的數據，一種是只用到量價數據的策略。股票的話我們一部分的量化策略，還是會去進行一些基本面因子的建模，當然會把因子分成比較細致的類別，比如盈利能力或者穩定度等這些場外的、非財報的數據，一些場外的數據都拿來進行建模，然后去進行分析。因為股票實在是太多了，當然數字貨幣現在也很多，但是我們只會做主流的一些數字貨幣，而非一些比較小品種的代幣，如果純從主流的數字貨幣以及期貨品種來看，還是比較少量的，股票的話由于它太多了，特別是像現在新股又特別多，如果純從量價上面考慮的話，就比較難去做篩選。所以股票上面的策略，我們就會涉及到基本面和場外的一些數據，還有一些事件驅動的策略去做，期貨和數字貨幣的話，我們就純從量價上面去考慮，就放在我們機器學習和人工智能的框架下面去進行學習和交易。所以這上面的話，我們倒不是從品種來分類，而是從用到的數據去做分類，我們現在還沒有找到一個非常好的、有效的方式去把基本面和場外的數據整合到我們人工智能這框架里面，當然我們會朝這個方向走，如果實現了的話，我們的數據維度就會擴充得非常大，有可能我們期貨也會用到基本面的東西，因為我們只要把這個框架整合起來，對于這個模型來說，它就是數據而已，然后它就能從這個多維度里面去尋找規律出來。