调研| 王誉钢 卢施宇 撰写| 张洋

近些年，量化投资越来越受到关注，金融从业者和机构试图拨开量化投资的神秘面纱，通过其获得更高收益。同时，在AI的加持之下，量化投资更加高效。 然而，对于个人来说，AI量化平台目前屈指可数；对于机构来说，搭建AI量化平台有很高的技术要求。

成立于2016年的宽邦科技，将自身的AI技术应用于量化投资，将简单易用的量化平台输出给C端客户，将整体解决方案提供给B端客户，让客户越过技术难关，直接使用AI量化工具。

在战略上，宽邦科技首先为C端用户推出AI量化应用平台BigQuant，在此过程中完善自身技术能力，优化产品，并通过C端平台呈现自身实力，培养品牌知名度。

之后，为B端金融机构，尤其是券商，提供AI量化平台的整体解决方案。同时，宽邦科技将BigQuant的底层技术平台产品化，推出了Big AI全栈人工智能平台，通用于金融行业。

对于C端用户来说，BigQuant网站不仅有高效的策略编写功能，而且技术门槛很低。

平台数据主要是金融市场公开数据，用户也可自行定义数据源。技术方面，用户理解AI和量化的基本原理，略懂代码，即可在平台上编写自己的策略。通过模拟实盘功能，用户可以非常简易地进行模型回测和优化。而且，通过授权，C端客户可以将交易策略接入自己开户的券商平台，进行实盘交易。除此之外，平台用户之间可交流方法，共享函数工具，也可售卖自己编写的策略。

对于B端客户来说，宽邦科技部署好AI量化平台之后，即可在工作中直接应用其编写策略，进行交易，追求高收益。

宽邦科技会根据B端客户情况提供AI量化平台的整体解决方案。BigQuant的优势在于，将数据处理、模型搭建、回测、交易等模块封装，以可视化界面呈现给策略编写者，这不仅大大降低了对量化交易员的技术要求，而且降低了模型开发和维护的技术门槛。

宽邦科技的整体服务，让B端客户无需自行组建AI和算法团队，降低了平台搭建成本，且可快速应用于工作。

01

券商为主要收入来源

培养C端用户以期商业化

如上文所述，宽邦科技通过BigQuant网站服务C端客户，通过解决方案服务B端金融机构。另外，其向高校开放BigQuant平台，辅助培养AI量化人才。

C端已经积累数万策略开发者，其中1/3是专业投资者。用户在平台开发策略可被其他用户付费订阅，部分用户每月可从平台获得过万的策略订阅费收入。投资者通过平台开发的策略被多家量化资管用作私募产品发布，用于实盘交易。

B端金融机构是宽邦科技目前主要的收入来源，尤其是券商。券商是金融市场投资活动中最活跃的一方，他们希望借助新的方法提高投资收益，但自身技术能力有限。

宽邦科技一方面为券商解决了AI量化系统搭建难题，实现系统快速上线，并降低了运营维护的人员壁垒和成本。另一方面，相比传统交易方式，AI量化交易收益显著提高。

基于以上两点益处，券商愿意为BigQuant付费。整体解决方案的收费分为两部分，项目部署费和后期每年的维护费。目前宽邦科技已经服务了数十家券商和私募机构，包含中信证券等头部企业。

近期，爱分析对宽邦科技创始人兼CEO梁举进行了专访，现将精彩内容分享如下。

02

中国的量化交易市场尚处早期

AI应用潜力大

爱分析：国外量化交易行业有哪些可以借鉴的地方？

梁举：相对来说，国外的量化行业成熟很多，交易品种也多。如果算上高频交易，市场上80%左右的交易单都是由机器发出的，机器在后台进行算法驱动。一些比较大的基金，比如文艺复兴和Two Sigma，在用机器学习等方法，让机器更好地进行交易。

国内量化行业处在早期。首先，通过量化去做交易的公司，市场占有率还很低；其次，可交易标的不丰富，且市场有效性相对较低；另外，相对于传统交易方法，量化交易的业绩积累不够，需要积累一段时间让市场看到效果。

同时，面对国内市场变化，券商在寻找新的交易方法。AI量化交易的优势体现在两个方面：一方面，AI是更大的生产力，另一方面，借助量化做交易的业绩优势会逐渐显现。量化有很多天然优势，比如不受人的情绪影响等。所以，未来几年AI和量化的应用可能会有明显增长。

爱分析：AI量化交易在中国市场的应用与美国有哪些不同？

梁举：我们发现国内是一个非常大的市场。将我们的算法应用于A股，很容易做到50%的年化收益，但是在美股市场，做到10%-20%都非常难，因为市场信息很透明，其他公司的竞争能力也都很强。

中国A股市场，有很多信息不对称，用量价可以做出一些好结果。而机器会挖掘得更深，从而得到更好的效果。在这个阶段，用AI的人会得到先发优势。

爱分析：与国内其他量化交易平台是否存在竞争？

梁举：整个投资活动涵盖很多方面。广义来说，从上至下涵盖投资战略（做哪种金融产品），投资策略（如何做投资交易），交易执行。提供量化服务的公司，会根据自身能力，以及对市场的理解，有针对性地去做某一部分业务。所以可能会是竞争关系，也可能是合作关系。

传统量化偏执行层面，是人编写策略。而人工智能更偏策略层面，是机器编写策略。在我们平台上，不用给机器指令，只需要给机器设定好目标，比如，筛选出未来五天涨幅最高的几支股票，然后机器就会通过机器学习模型去找股票。人可以结合自己的能力，再做筛选，做进一步优化。

量化是低维度的，AI是高维度的，我们提供兼具量化和AI功能的平台。

03

为客户提供整体解决方案，从数据集中度高的行业向下延伸

爱分析：AI是对传统策略的改良，还是使用全新的策略？

梁举：包括这两个方面。一方面是优化，可以让机器去学习原有策略的参数；另一方面，AI可能找到更优的，阻力更小的路径，从而得到更优的结果。

爱分析：BigQuant和传统的AI技术有什么区别？

梁举：我们主要是把机器学习当成一种服务，不需要客户自己去做数据处理、搭建机器学习框架、建立算法模型。

中信证券以前做数据接入要40分钟，我们帮他们优化到秒级。他们不清楚机器学习的框架怎么搭，而我们的平台对他们是透明的，而且可以处理大量数据。

爱分析：是否与券商的交易系统打通？

梁举：我们在帮券商做私有化部署的时候，会直接延伸到交易端。无论是出于券商内部需求还是他们客户的需求，都需要打通交易接口。交易接口的对接是很简单的事情，但要保证合规。

爱分析：对用户是否有技术或者金融壁垒？

梁举：实际上，我们已经把对用户的能力要求降得非常低了，未来我们会进一步降低。现在我们的平台，还是要求用户对AI和量化有一定理解。理解市场运作规则的人，会选择更好的特征，让机器去学习，做出来的效果就更好。

爱分析：策略开发者可以看到自己的模型是怎么被优化的吗？

梁举：AI技术本身是黑盒子，但我们尽量打开AI算法这部分，让策略开发者知道结果是怎么来的。所以我们也是在做投资者教育、培训。

爱分析：BigQuant可以应用于哪些证券产品？

梁举：美股、A股、港股、期货都可以做。对我们来说，这些交易其实都是数据。有些外汇机构也在跟我们合作，甚至还有数字货币。对于不同的证券产品，都是用同一个AI平台，只是交易算法不同。

爱分析：除了量化以外，未来打算把Big AI落地在哪些领域？

梁举：早期我们拜访了很多企业，包括券商、银行、保险。其中，券商有很多场景可以落地，量化是最直接的。同时，量化还可以辅助传统投资，比如为投资人筛选股票，再由人做进一步处理。

其他的落地场景还有智能客服。原来的智能客服只需要加语料库、知识库，现在机器学习可以让智能客服做得更好。

落地场景的选择，是从数据集中度很高的行业，或者对AI接受程度较高的行业入手，向数据集中度没那么高，或者接受程度比较低的领域扩展。在这个过程中，我们也会不断打磨产品。

04

为券商打破AI量化人才壁垒

爱分析：哪类金融机构是主要客户？

梁举：我们服务比较多的是金融领域IT比较弱的企业。券商想要做AI量化，但是IT和开发部门本身能力不足，需要借助外面的成熟技术。

爱分析：宽邦的整体解决方案对于券商有哪些好处？

梁举：一方面，优秀的AI技术人员稀缺，券商要想自己组建团队，搭建平台比较困难。而我们的平台门槛很低，对人才的依赖也就被降低了，AI量化的知识可以沉淀到企业里。

另一方面，面对大数据，机器比人做得好。人只能看到局部，做到局部最优，机器可以看到更多，可以做到全局最优。比如，人依据3只股票得出的结果和机器依据3000只股票得出的结果可能不一样。

爱分析：券商私有化部署流程需要多长的周期?

梁举：一两周就可以部署起来，然后还要对接客户的系统，整个流程大概需要几个月，因为客户的内部系统比较复杂。