開箱即用的AI量化平臺，寬邦科技為券商準備好了 | 愛分析訪談
——————
打破AI量化平臺的人才壁壘
調研| 王譽鋼 盧施宇 撰寫 | 張洋
近些年，量化投資越來越受到關注，金融從業者和機構試圖撥開量化投資的神祕面紗，通過其獲得更高收益。同時，在AI的加持之下，量化投資更加高效。 然而，對於個人來說，AI量化平臺目前屈指可數；對於機構來說，搭建AI量化平臺有很高的技術要求。
成立於2016年的寬邦科技，將自身的AI技術應用於量化投資，將簡單易用的量化平臺輸出給C端客戶，將整體解決方案提供給B端客戶，讓客戶越過技術難關，直接使用AI量化工具。
在戰略上，寬邦科技首先為C端使用者推出AI量化應用平臺BigQuant，在此過程中完善自身技術能力，優化產品，並通過C端平臺呈現自身實力，培養品牌知名度。
之後，為B端金融機構，尤其是券商，提供AI量化平臺的整體解決方案。同時，寬邦科技將BigQuant的底層技術平臺產品化，推出了Big AI全棧人工智慧平臺，通用於金融行業。
對於C端使用者來說，BigQuant網站不僅有高效的策略編寫功能，而且技術門檻很低。
平臺數據主要是金融市場公開資料，使用者也可自行定義資料來源。技術方面，使用者理解AI和量化的基本原理，略懂程式碼，即可在平臺上編寫自己的策略。通過模擬實盤功能，使用者可以非常簡易地進行模型回測和優化。而且，通過授權，C端客戶可以將交易策略接入自己開戶的券商平臺，進行實盤交易。除此之外，平臺使用者之間可交流方法，共享函式工具，也可售賣自己編寫的策略。
對於B端客戶來說，寬邦科技部署好AI量化平臺之後，即可在工作中直接應用其編寫策略，進行交易，追求高收益。
寬邦科技會根據B端客戶情況提供AI量化平臺的整體解決方案。BigQuant的優勢在於，將資料處理、模型搭建、回測、交易等模組封裝，以視覺化介面呈現給策略編寫者，這不僅大大降低了對量化交易員的技術要求，而且降低了模型開發和維護的技術門檻。
寬邦科技的整體服務，讓B端客戶無需自行組建AI和演算法團隊，降低了平臺搭建成本，且可快速應用於工作。
01
券商為主要收入來源
培養C端使用者以期商業化
如上文所述，寬邦科技通過BigQuant網站服務C端客戶，通過解決方案服務B端金融機構。另外，其向高校開放BigQuant平臺，輔助培養AI量化人才。
C端已經積累數萬策略開發者，其中1/3是專業投資者。使用者在平臺開發策略可被其他使用者付費訂閱，部分使用者每月可從平臺獲得過萬的策略訂閱費收入。投資者通過平臺開發的策略被多家量化資管用作私募產品釋出，用於實盤交易。
B端金融機構是寬邦科技目前主要的收入來源，尤其是券商。券商是金融市場投資活動中最活躍的一方，他們希望藉助新的方法提高投資收益，但自身技術能力有限。
寬邦科技一方面為券商解決了AI量化系統搭建難題，實現系統快速上線，並降低了運營維護的人員壁壘和成本。另一方面，相比傳統交易方式，AI量化交易收益顯著提高。
基於以上兩點益處，券商願意為BigQuant付費。整體解決方案的收費分為兩部分，專案部署費和後期每年的維護費。目前寬邦科技已經服務了數十家券商和私募機構，包含中信證券等頭部企業。
近期，愛分析對寬邦科技創始人兼CEO樑舉進行了專訪，現將精彩內容分享如下。
02
中國的量化交易市場尚處早期
AI應用潛力大
愛分析：國外量化交易行業有哪些可以借鑑的地方？
樑舉：相對來說，國外的量化行業成熟很多，交易品種也多。如果算上高頻交易，市場上80%左右的交易單都是由機器發出的，機器在後臺進行演算法驅動。一些比較大的基金，比如文藝復興和Two Sigma，在用機器學習等方法，讓機器更好地進行交易。
國內量化行業處在早期。首先，通過量化去做交易的公司，市場佔有率還很低；其次，可交易標的不豐富，且市場有效性相對較低；另外，相對於傳統交易方法，量化交易的業績積累不夠，需要積累一段時間讓市場看到效果。
同時，面對國內市場變化，券商在尋找新的交易方法。AI量化交易的優勢體現在兩個方面：一方面，AI是更大的生產力，另一方面，藉助量化做交易的業績優勢會逐漸顯現。量化有很多天然優勢，比如不受人的情緒影響等。所以，未來幾年AI和量化的應用可能會有明顯增長。
愛分析：AI量化交易在中國市場的應用與美國有哪些不同？
樑舉：我們發現國內是一個非常大的市場。將我們的演算法應用於A股，很容易做到50%的年化收益，但是在美股市場，做到10%-20%都非常難，因為市場資訊很透明，其他公司的競爭能力也都很強。
中國A股市場，有很多資訊不對稱，用量價可以做出一些好結果。而機器會挖掘得更深，從而得到更好的效果。在這個階段，用AI的人會得到先發優勢。
愛分析：與國內其他量化交易平臺是否存在競爭？
樑舉：整個投資活動涵蓋很多方面。廣義來說，從上至下涵蓋投資戰略（做哪種金融產品），投資策略（如何做投資交易），交易執行。提供量化服務的公司，會根據自身能力，以及對市場的理解，有針對性地去做某一部分業務。所以可能會是競爭關係，也可能是合作關係。
傳統量化偏執行層面，是人編寫策略。而人工智慧更偏策略層面，是機器編寫策略。在我們平臺上，不用給機器指令，只需要給機器設定好目標，比如，篩選出未來五天漲幅最高的幾支股票，然後機器就會通過機器學習模型去找股票。人可以結合自己的能力，再做篩選，做進一步優化。
量化是低維度的，AI是高維度的，我們提供兼具量化和AI功能的平臺。
03
為客戶提供整體解決方案，從資料集中度高的行業向下延伸
愛分析：AI是對傳統策略的改良，還是使用全新的策略？
樑舉：包括這兩個方面。一方面是優化，可以讓機器去學習原有策略的引數；另一方面，AI可能找到更優的，阻力更小的路徑，從而得到更優的結果。
愛分析：BigQuant和傳統的AI技術有什麼區別？
樑舉：我們主要是把機器學習當成一種服務，不需要客戶自己去做資料處理、搭建機器學習框架、建立演算法模型。
中信證券以前做資料接入要40分鐘，我們幫他們優化到秒級。他們不清楚機器學習的框架怎麼搭，而我們的平臺對他們是透明的，而且可以處理大量資料。
愛分析：是否與券商的交易系統打通？
樑舉：我們在幫券商做私有化部署的時候，會直接延伸到交易端。無論是出於券商內部需求還是他們客戶的需求，都需要打通交易介面。交易介面的對接是很簡單的事情，但要保證合規。
愛分析：對使用者是否有技術或者金融壁壘？
樑舉：實際上，我們已經把對使用者的能力要求降得非常低了，未來我們會進一步降低。現在我們的平臺，還是要求使用者對AI和量化有一定理解。理解市場運作規則的人，會選擇更好的特徵，讓機器去學習，做出來的效果就更好。
愛分析：策略開發者可以看到自己的模型是怎麼被優化的嗎？
樑舉：AI技術本身是黑盒子，但我們儘量開啟AI演算法這部分，讓策略開發者知道結果是怎麼來的。所以我們也是在做投資者教育、培訓。
愛分析：BigQuant可以應用於哪些證券產品？
樑舉：美股、A股、港股、期貨都可以做。對我們來說，這些交易其實都是資料。有些外匯機構也在跟我們合作，甚至還有數字貨幣。對於不同的證券產品，都是用同一個AI平臺，只是交易演算法不同。
愛分析：除了量化以外，未來打算把Big AI落地在哪些領域？
樑舉：早期我們拜訪了很多企業，包括券商、銀行、保險。其中，券商有很多場景可以落地，量化是最直接的。同時，量化還可以輔助傳統投資，比如為投資人篩選股票，再由人做進一步處理。
其他的落地場景還有智慧客服。原來的智慧客服只需要加語料庫、知識庫，現在機器學習可以讓智慧客服做得更好。
落地場景的選擇，是從資料集中度很高的行業，或者對AI接受程度較高的行業入手，向資料集中度沒那麼高，或者接受程度比較低的領域擴充套件。在這個過程中，我們也會不斷打磨產品。
04
為券商打破AI量化人才壁壘
愛分析：哪類金融機構是主要客戶？
樑舉：我們以量化為AI切入點，券商、基金等是我們現在服務的客戶，未來將拓展到銀行、保險等更多金融機構
愛分析：寬邦的整體解決方案對於券商有哪些好處？
樑舉：我們可以幫助券商等金融機構搭建AI平臺基礎設施，實現量化投資等AI場景快速落地。
愛分析：券商私有化部署流程需要多長的週期?