問題8、很多量化交易者在進行策略開發的時候都會遇到這樣一個問題，一套策略在模擬運行的時候表現很好，回測數據也很不錯，但一到實盤中表現不佳，甚至還有可能出現連續虧損，您遇到過這種情況嗎？一般會怎么解決這個問題？

章友：新策略研發中會遇到這類問題，需要通過降低過擬合的方式解決這個問題。

問題9、華爾街大部分的交易都已經是通過量化來完成了，您覺得國內的量化發展會像國外一樣的路徑嗎？還是說會有自己的特色？

章友：量化交易在美國頭部具有壟斷效應，占全市場的比重會達到1/3以上，中國量化投資還遠遠沒有達到這個規模，仍具備很大的發展潛力。和國外相比，國內量化交易還處在初步發展階段。無論從交易規模還是采用量化交易的機構數目以及對市場流動性的貢獻來說，都落后于國際市場。諸如交易市場落后、交易理念落后、統計建模、內部管理、IT系統、技術儲備、人才儲備等方面的問題還存在。但同時量化交易即使在經濟危機大勢下，對比其他類型的基金也能收獲相對良好的表現，有很強的的抗壓特性。它收益較好，能對抗經濟下行壓力并分散投資組合的風險程度。

總的來說，相對發達金融市場，國內發展中的金融市場中往往存在更多的套利機會，更適合量化交易發揮作用。國內金融機構如果能夠領先市場，充分發掘量化交易特色，走出自己的風格，相信能夠收獲不錯的價值。

問題10、貴公司的股票量化策略應用到了現在較為前端的機器學習，目前的效果如何？應用邏輯又是怎么樣的？

章友：在我司深度學習選股模型中，我們采用神經網絡系統建立股票價格預測模型，識別因子與收益的非線性關系。我司采用二三十個左右的選股模型：DBN深度信念網絡、LSTM長短期記憶網絡、MLP多層感知器、RBM受限玻爾茲曼機、ReLU修正線性單元、CNN卷積神經網絡、遞歸神經網絡（RNN）等多個模型預測股票收益。將深度學習用于算法交易是與一些時間序列價格預測的模型相結合，達到市場擇時的目的，如通過LSTM、RNN等進行價格回歸；或對市場的趨勢進行分類，以觸發買賣信號，如用DMLP、CNN進行因子選股或趨勢分類。RNN以及其拓展像LSTM、GRU等，被用于金融時間序列數據預測和金融文本分析。應用的效果還是比較明顯的，可以捕捉因子之間的非線性關系。

問題11、國內的市場相較歐美成熟市場有個較大的不同是散戶投資者的比重仍比較大，您覺得這對機構來說是利是弊？

章友：對機構而言意味著更多的市場機會。

問題12、2022年的資本市場交易難度很大，包括市場一些知名的百億私募都沒能在今年的市場上獲利，衍盛投資在今年的表現如何？您覺得造成這種現象的主要原因是什么？

章友：今年市場確實有一定的挑戰，我們的中性產品收益也不大，處于過去五年最低水平，主要是因為8月份之后逆周期的政策調整，導致基本面類因子大幅回撤。

問題13、針對2022年資本市場的變化，衍盛投資在交易策略上是否會做出相應的調整？

章友：我們認為2022年的市場有其特殊性，我們通過對這一年數據的分析，優化了現有因子，同時布局事件類策略，可以更好的應對極端市場行情。

問題14、在不斷變化的市場中，您覺得策略長期取勝的關鍵包括哪些方面？ 

章友：核心還是有持續研究，開發能力的投研團隊，我們通過與重點高校的合作，確保團隊的創造力。

問題15、從2022年底到現階段，市場迎來了一波較明顯的反彈，也讓部分機構緩了一口氣，您覺得市場是否已經發生了轉變？您對2023年的市場預期是怎樣的？

章友：2022年經濟基數較低，疫情放開之后，經濟指標大概率會有不錯的表現，股市也處于一個相對低位，個人判斷市場風險不大，2023年可能有不錯的機會。