標籤: 示波器

　　日前，雲從科技聯合創始人溫浩在全球人工智能與机械人峰會接受了證券時報記者採訪。溫浩表示，人工智能創業是趨勢，不是風口，未來行業還會有超越BAT的獨角獸誕生，接下來2至3年將會是視覺智能創業的關鍵時間窗口。雲從科技需要進一步落地行業應用場景，構建護城河，並正在籌劃科創板上市。

　　AI“國家隊”

　　2015年，作為中國科學院“百人計劃”人臉識別的領軍人才的周曦與溫浩團隊從重慶中科院體系中出來創業，正式成立了雲從科技。如今，雲從科技公司員工人數超過1400人，公司作為“國家隊”代表，與商湯科技、曠視科技和依圖科技被列為視覺智能四大“獨角獸”。

　　當年，由周曦和溫浩帶領的團隊首先實現中科院戰略先導專項唯一人臉技術后，兩人希望帶領團隊選擇離職創業。起先，中科院領導建議團隊留崗創業，3年後依舊歡迎回歸，但溫浩懷着誓不回頭的壯士心態，打算全身心投入市場，中科院轉而以知識產權入股20%給予支持，由此，兩人團隊走上自己看來“修行”一般的創業道路。此後，雲從科技獲得過佳都科技投資，進而落戶廣州，落戶粵港澳，從廣東建設銀行高校銀行業務開始，試點落地“無人銀行”，打開了人工智能創業局面，不斷開拓在金融、安防、機場等領域的客戶。

　　與此同時，雲從科技也在不斷增強“國家隊”屬性。去年公司B輪融資超過10億元，股權變動信息显示，除了元禾原點、越秀金控、劉益謙等股東繼續跟投，還新增了多位國家級戰略投資者以及地方政府基金，包括中國國新、廣州產業投資基金、廣東粵科金融集團等資本機構，估值超過200億元。最新工商變更信息显示，2019年3月雲從科技進行了C輪融資，6月25日工商信息變更显示，新鼎資本、海爾資本成為新進投資方，具體金額並未披露。另外，考慮客戶特殊屬性，雲從科技明確表示不會接受外資，這也成為區別於其他同行獨家獸的股東特點。

　　目前，雲從科技客戶已經覆蓋了400多家銀行，5個公安部合作戰略平台以及國內70%的樞紐機場、超過4萬多家海爾、國美等門店；近年來公司營收均保持翻倍增長，在國內人工智能頭部陣營中，預估估值和營收均位列前三，年複合增長率約4倍。不過，溫浩並未透露具體經營數據，而是明確表示，目前公司已經滿足科創板上市條件，相關上市籌備工作正在進行中，但並不急於上市。雲從科技投資方也向記者確認了雲從科技籌劃在科創板上市事宜。

　　對於行業競爭，溫浩表示，現在人工智能的市場很大，賽道很寬，在機器視覺智能方面，各家的側重不同。有的側重城市安防，有的側重互聯網金融，有的需要根據互聯網巨頭戰略調整重點等。相比而言，雲從科技更加看重構建行業護城河，形成行業入口，而且“越傳統的行業越喜歡”，相比互聯網金融等可替代性太強的場景並非公司所好。

　　期待超越BAT

　　在接受記者採訪中，溫浩強調最多的是：人工智能是一個趨勢，不是風口。類似於2000年左右湧現互聯網創業大潮，BAT寡頭初見雛形，未來2至3年是人工智能領域創業的關鍵窗口期，後續將會湧現更多的 “獨角獸”，體量也將會超過BAT。

　　在全球人工智能與机械人峰會演講時，溫浩從產業視角介紹人工智能產業落地，提出“智能+經濟”，通過語言理解、知識圖譜歸納來認知事物、處理信息、輔助決策，可以幫助商家精準促銷、銀行降低風險等。目前人工智能落地技術還不夠成熟，與產業需求還存在矛盾，解決這個問題，未來30年內需要實現人機協同，分別做到人機交互、人機融合以及人機共創，同時要做到行業化、場景化和個性化。比如，人臉識別在各個行業的應用要求不同，安防裏面要求的是開放場景、快速搜索；而金融行業是一對一的驗證，要求活體檢測，誤識率非常低。兩者場景不一樣，同一個技術要求也不一樣，即便這一項人臉識別系統都必須行業化。

　　個性化將是大數據時代的最大特點，每個人都可以得到精準的服務，後台用戶特徵建模會從5個維度、幾十個特徵去分析用戶消費傾向，以雙塔稀疏神經網絡學習預判消費傾向，精準推送廣告。此外，人機交互中還會有多模應用，未來三至五年，或可在汽車上實現有視覺、語音、手勢、唇語等交互體驗的導航。

　　現在，雲從科技在打造一個人機協同平台，面向各個行業，包括金融、安防、零售、電力、石油等規模比較大的行業，落地智能化產品解決方案。

　　學習華為

　　雲從科技正在向華為學習，特別是學習華為IPD系統(Integrated Product Development ，集成產品開發)。

　　據悉，IPD這套系統最初由IBM提出，使得多項研髮指標得到了重大改善，如新產品上市周期大幅度縮短、研發資源浪費比率顯著下降，以及產品成本降低、人均產出率大幅提高等。1998年初，華為從IBM引入了IPD，經過多輪磨合、升級，打破了以部門為管理結構的模式，轉向以業務流程和生產線為核心的管理模式，逐步建立起世界級的研發管理體系。

　　溫浩認為，IPD系統是華為取得當前成就的關鍵。對於從院校系走出的創業人員，用科學家思維管理企業是不行的，必須要向華為學習先進的研發管理。人工智能行業要以研發、算法驅動，而非互聯網公司以流量驅動，必須穩紮穩打。

　　人工智能特別是視覺智能領域，個人隱私安全問題備受關注。溫浩說，這是人工智能發展中的問題，相關的法律、數據加密標準都要跟上。對個體而言，未來隱私是有保障的，信息會經過嚴格的加密、保護，沒必要擔心安全問題就因噎廢食。

　　值得注意的是，人工智能行業也在逐步建立標準。5月，雲從科技參與了國家人工智能標準化總體組發布的《人工智能開源與標準化研究報告》，以促進經濟社會各領域智能化轉型，加速人工智能技術在全行業應用落地；7月，曠視科技也發布了基於企業自身管理標準的《人工智能應用準則》，其中提到人工智能應用準則包括正當性、人的監督、技術可靠性和安全性、公平和多樣性、問責和及時修正、數據安全與隱私保護。

　　雲從科技正積極參與行業標準制定。當前行業、企業、央行金融、公安、民航總局等各個行業標準不同，互不兼容，同時標準制定出后又面臨滯后的可能，這就要求標準有充分協調、前瞻性。長期來看，中國人工智能行業未來5-10年成為全球智能生態領軍者，作為國家隊成員必須有這樣的信心和角色。

（文章來源：證券時報）

(責任編輯：DF380)

【其他文章推薦】

※連續封口機購物網-不怕你比價,就怕你買貴!

※必買推薦！上下火烤爐全台最便宜都在這!

※哪裡有傳統車床加工-可接單件加工? 

※測試專家告訴你如何好好使用示波器

※多功能滑鼠墊、多用途卡套、悠遊卡套，全客製贈品節慶促銷活動開跑中  

※廢氣洗滌塔,叫得動, 找得到的專業廠商‎

　　量化投資有着近40年的歷史。量化是一種通過對過去的數據進行分析和建模，從而對未來進行預測的方法。量化投資是應用量化方法進行投資決策，與主觀交易最大的不同就是在於技術，量化投資策略最主要的特點是系統化交易，策略的執行是通過計算機來完成，使投資決策對主觀判斷的依賴有限；還有一個重要的區別是交易頻率，因為依賴自動化和系統化，能夠以更高的頻率來觸發策略的交易和執行。

　　量化策略在流動性非常好的、活躍的、可交易的資產上的應用比較廣泛，主要原因是活躍交易參與的人數眾多，市場深度更大，不容易被操縱。從國內量化策略發展上看，股票、期貨、期權是量化策略運用比較廣泛的品種。量化策略在國內的發展和品種擴容分不開，早期主要是ETF等多頭產品，後來股指期貨和融資融券的推出為量化策略實現絕對收益提供了較好的對沖工具，量化對沖和股指套利策略得到了較大發展。2016年至今隨着股指受限，管理人在尋求絕對收益的過程中不斷研發新的策略，策略的豐富度得到極大提升。

　　量化投資模型構成

　　量化交易是一個很複雜的系統，包括從盈利、風險控制、交易成本、交易執行等多個方面。從框架上看，量化交易有幾個主要的組成部分：盈利模型、風險模型、交易成本模型、投資組合的構建模型和執行模型。

　　一是盈利模型。通過對歷史數據及能夠獲得的各類數據的分析，對未來進行預測，從而獲得收益。預測的內容主要是價格變化的方向、幅度、持續時間、預測目標的置信度等。預測的主要目標是獲得超過市場基準的回報或者獲取絕對收益，同時也是投資策略的核心所在。盈利模型會在追求利潤、控制風險和控制相關交易成本之間進行平衡，從而給出一個最佳的投資組合。再將當前組合和最佳組合進行比較，根據二者的差異來執行所需要的交易。在盈利模型中，並沒有永遠好或者永遠壞的策略，每類策略都有其適應的市場環境，因此成功盈利模型要很全面，當然這需要不斷的研發，是長期有效積累的過程。

　　二是風險模型。其核心意義在於對敞口進行有目的的選擇和控制來提高收益的質量和穩定性。最好的途徑是“不要把雞蛋放到一個籃子里”，具體實現的方法有在特定品種或策略上頭寸的規模不能超過多少、方向性風險暴露不能超過多少等等。

　　三是交易成本模型。交易成本控制在量化策略裏面非常重要，量化投資交易頻率一般都比較高，而交易會產生成本，只有在有充分的理由證明一筆交易能夠改進組合收益或者改進風險，為此支付交易成本才是有意義的。因為如果不進行交易成本的控制最終的交易結果就會與理想中的效果產生很大的差異。交易成本有交易手續費、滑點等。

　　四是投資組合構建模型。通過綜合考慮盈利模型、風險模型和交易成本模型從而形成的一個結果。主要是使用各種優化算法在各種策略間去進行配置，優化算法很複雜。

　　五是交易執行，交易執行的主要目標是提高算法效率，既要開發算法模型、也要進行交易基礎設施的投入。

　　從上面量化模型包括的方面可以看到，很多量化策略的管理人並不關心市場會怎麼走，他們的研究方向主要是如何發展和完善自己的策略模型。

　　量化投資主要風險

　　很多人認為量化策略風險很小，因為它在進行投資決策的時候摒棄了人的主觀判斷，能夠及時的止盈或止損。但是需要指出的是，是人開發了量化模型。是人決定使用什麼數據、是人決定如何清洗數據、是人對交易策略進行研究並不斷回測和改進，因此量化策略最主要的風險主要是內生性的模型的風險。

　　首先，量化策略是基於對歷史數據的分析而得出結論，而如果市場運行的模式突然發生改變的時候，模型就會受到影響。比如做空波動率的策略歷史上被證明是長期有效且收益穩定的策略，但在2018年2月市場大幅下跌的時候，很多期權做空波動率的策略出現了巨額虧損。

　　其次，人們習慣於追逐不斷上漲的資金，資金對量化策略的追逐也是一樣，一旦某類策略在一段時間內獲取了比較不錯的收益，就會吸引新的人去開發這類策略，也會吸引新的資金投資這類策略。但是使用策略的人數越多、資金越多，表現欠佳的風險也就越大。

　　目前在國內量化投資方面，私募基金相比公募基金有着比較明顯的優勢。首先，私募基金更容易實現投資組合的多元化，公募基金可以投資的資產相比私募來說比較有限，主要只能投資股票和債券，與股票和債券市場高度相關，而私募基金可以投資的金融工具更多，商品、期權、場外衍生品等等。雖然有些基金公司會以專戶和子公司專戶的形式擴大投資範圍，但是還有其他方面的限制，投資效果不如私募基金。

　　其次，私募基金受到的交易限制更少，因此能夠賺取的超額收益的方法更多，私募基金管理人能夠進行較高頻率的日內迴轉交易，將風險控制嵌入在策略模型中，極大降低了交易滑點。

　　第三，私募基金有着更加市場化的激勵機制，競爭也非常激烈，能夠吸引並留住優秀的人才在這個行業中。

　　第四，私募基金往往有絕對收益的目標，即不管市場表現如何都要達到正收益。很多私募基金投資者也是為了獲得絕對收益，而公募基金更傾向於相對收益的考核和重視工具化的發展，如近年各家基金不斷髮行的ETF基金。

　　多資產多策略配置

　　量化多策略FOF，顧名思義是以投資量化策略為主的組合管理基金，近幾年很多人對FOF的認知度在不斷的提升，無論是私募FOF還是公募FOF.FOF的核心理念是通過對底層資產進行研究(股票、債券、商品、房地產、外匯、貨幣等)從而構建資產組合，在配置底層資產的時候，還會通過配置各種策略來實現投資目標。FOF的前提是認為單一資產和單一類策略很難每年都能獲得穩健的投資收益。

　　在FOF投資管理人的工作中，主要有幾個方面的分析研究工作：首先是底層資產的研究，其次是通過底層資產構建出來的多種策略的研究，再次是策略的管理人研究，還有組合管理方法的研究等。FOF投資管理是一個很複雜的系統，宏觀經濟、資本市場、策略研究、管理人研究、組合管理，各個流程環環相扣、密不可分。科學的量化手段和主觀的經驗判斷要相互結合，並且進行嚴格的風險控制，才能夠為客戶提供好的風險收益比的產品。

　　一是底層資產研究。底層資產的研究主要意義在於不同的經濟周期和宏觀環境下，大類資產的表現是有差異的，選擇高確定性的方向能夠對組合收益起到正貢獻。影響大類資產的表現因素包括基本面、流動性、政策等。在對資產的分析中除了要對方向性有判斷之外，還要比較不同資產的相對價格，資產內的結構性機會和風險等等。在研究過程中，盡量使用量化方法進行研究，有利於更加準確地把握當前時點的最優投資配置。

　　二是通過底層資產構建出來的多策略研究。整體上看，根據策略的風險收益情況把策略可以分成兩大類：穩定類和彈性類。穩定類策略是收益波動性比較低的策略，預期能夠獲得較為確定的收益，目的是獲得基礎收益，併為組合的彈性類策略的投資積累安全墊。彈性類策略預期收益較高，但存在回撤風險，目的是提升產品整體收益的彈性。從策略收益特徵來看，市場中性、套利策略為穩定類策略；指數增強、擇時對沖、量化管理期貨策略為彈性類策略。

　　目前量化策略範圍非常廣泛，對策略的分類難以形成共識，而不同的私募數據提供商給出的分類結果也有較大的差異，因此對私募策略進行劃分非常複雜。在細分策略的劃分上，筆者依據所使用數據的不同、盈利模型的不同、持倉周期的不同等多個方面進行策略的細分。比如會把市場中性策略進一步分為基於理論驅動的和數據驅動的。理論驅動型主要是尋找能夠解釋市場行為的理論，比如傳統的多因子框架，數據驅動型主要是借助一些分析工具來尋找可以識別的模式，常見的是使用機器學習的算法去進行預測。在管理期貨策略上會將策略劃分為中長期趨勢跟蹤、反轉、跨期跨品種套利、多因子策略、數據驅動的模式識別等，還用不同時間的持倉周期去進行劃分。

　　對策略進行劃分的目的主要是能夠更好的識別策略的盈利來源、可能發生的風險和策略適應的市場環境。在對策略適用的市場環境分析上，還要結合宏觀基本面的情況去進行判斷，在策略適應的市場環境方面會更加細緻一些。

　　三是策略管理人的研究。由於監管對私募基金信息披露的要求相比公募基金低，因此在私募行業信息不對稱的情況比較嚴重。一般FOF管理人都會採用定量分析和定性分析相結合的方式進行，不同的管理人在分析指標的權重和標準的設定會有所不同。

　　不同機構在選擇合作的管理人時都有獨特的偏好，筆者團隊偏好的是白馬型的公司，至於選擇白馬的邏輯主要在於：首先，對於新的交易團隊，從頭建立一套完整和豐富的策略以及基礎設施所需要的投入越來越高，除了時間的投入之外還需要資本的投入，只有在短時間內積累一定規模之後才能達到維持公司正常的運營需要。而白馬型的公司不會面臨這種問題，能夠將更多的經歷和資源放在新策略的研发上。

　　其次，很多管理人的管理規模在突破一定程度之後，是否還具有不錯的盈利能力尚待觀察，而筆者更關注的是管理人是否能夠證明自己有管理大資金的能力。中信證券研究部曾做過統計，截至2018年，國內超過20個億以上的頭部的量化管理人只有24家，10億到20億的有33家，1億到10億的有110家，1億以下的有720家，頭部效應已經形成。筆者認為，管理規模會逐漸向頭部進行聚集，這是一個比較大的趨勢。因此主要精力將放在跟蹤頭部管理人的變化上，當然頭部公司通常面臨的問題是策略容量接近上限，因此會在規模排在前列的私募當中繼續擴大關注點，挖掘有增長潛力的公司。

　　四是組合管理方法研究。組合管理方法主要有以下幾個方面的研究：配置模型：配置模型對數據的敏感性很高，因此只能用來產生大概的方向性觀點，而且還要識別背後的邏輯是什麼，在不同的宏觀環境下不同的配置模型的結果差別也會很大。分散化配置：分散化是唯一的免費午餐，即使都是同樣的大類策略，由於策略邏輯和框架的不同，各家管理人業績相關性也並不高，組合的效果也會比較好。客戶需求：不同客戶的風險收益要求、流動性要求都有所不同，因此還需要結合客戶需求對組合管理模型進行優化，調整組合的風險預算。

　　與西方成熟市場相比，我國的量化基金起步較晚，但近年來，由於其在股票市場大幅波動的情況下依然獲取了穩健的收益，因此，量化策略吸引了越來越多的關注。然而，很多人對量化策略的盈利來源和風險情況並沒有足夠的認識，在投資時一味追蹤熱點或追蹤高收益的產品，在市場風險到來或者管理人發生變化之時顯得無所適從。而FOF提供的是分散化的投資工具，只有多資產、多策略的配置才能夠提供長期而又穩定的收益。

（文章來源：中國證券報）

(責任編輯：DF380)

【其他文章推薦】

※廢氣洗滌塔,叫得動, 找得到的專業廠商‎

※選擇示波器的10 項考量因素

※無塵擦拭紙各大品牌廠商販售比價網!

※飲水機品牌迷思?? 有牌代表最好，錯! 必須先了解用途才能買對開水機!

※什麼規格的隔熱紙能有效提升冷房效果?

※快速搞懂「塑膠射出原理」