距离上一次和中欧基金量化投资总监曲径对话过去了三年，如今量化私募规模接近3万亿，其中10家站上500亿，已然成为财富管理市场一股汹涌的力量。
三年后，中欧量化团队中，悄然出现来自灵均、千象等头部私募的投研人员。2024年，先是在千象的投资经理宋婷入职中欧，后来又迎来更罕见的一幕：一家量化私募的创始人，带着核心团队加入了进来。
这个人就是杨柳。杨柳话不多，穿搭很硅谷。见面那天，他身穿GPU大厂夹克背心，手戴智能手表24小时量化身体特征，包括睡眠、呼吸、心率，他说，“要把自己当成一个产品来管理。”
杨柳和曲径19年前相识于纽约，杨柳在高盛，曲径在Millennium千禧年，多年来他们一直保持着联系，如今职业轨迹又交汇到了一起。
刚来到中欧，杨柳发现公募量化的基础设施存在代差：下单要从Excel手动导入，交易延迟较为明显。这一细节让他意识到，公募量化存在大量可以优化的地方，生产流程中的每个环节都还藏着待挖掘的Alpha。
为了消除代差，过去三年曲径投身于优化量化产线的每一个环节，一步步推进中欧数智化进程。用更具象化的描述，可以简单总结为“造高铁”和“修轨道”。
在曲径基本面量化的底盘上，宋婷引入因子工厂搭建车身架构，杨柳带来深度学习模型升级驾驶系统——中欧量化这辆疾驰的高铁，如乐高一般，一块一块拼了起来。与此同时，她和团队一起优化了量化链路上包括交易、IT、运营等在内的每一个环节，正如曲径所说，“我们要让提速的高铁在更丝滑的轨道上驰骋起来。”
千金买马骨
2023年，中欧的基本面量化迎来了一段阵痛的时光。
当时市场风险偏好持续下降，股价未能反映公司盈利增长。曲径统计发现，基本面定价失效持续了12个月以上，历史上很少出现这样的情况。而另一边，投资人不解，为什么量化会表现不理想？
在曲径的坐标系里，量化选股分为四个时间维度：日内预测模型、短周期深度学习、中周期因子框架、长周期基本Alpha。私募一般在前三个维度更有优势，当时中欧的优势是在第四个维度。
中欧原有的量化模型抓取了中长期的Alpha，中短期交易策略却是缺失的。曲径和团队反思，单凭中长期模型无法满足投资人追求超额稳定性的要求。
为了补充中短期Alpha，中欧先后从私募招来擅长量价的宋婷以完善因子框架，擅长AI端到端的杨柳来搭建深度学习模块。
中欧量化也由此完成了一次跃迁——从原来的基本面量化，进化为覆盖短、中、长三个维度的三元低相关模型，中频量价因子和短期预测模型相继扩充，策略真正具备了适应多周期环境的能力。
“私奔公”在资管行业是一件罕见的事，而从整体策略更丰富、交易限制更少的量化私募来到公募，那就更不寻常。
常常有人问宋婷，“私募干得好好的，为什么要来公募？”
首先是发展空间。宋婷认为时点很重要，私募头部格局稳固了下来，现在去创业胜算很小。反观公募量化，一来规模不及私募，二来正处于一片蓝海的状态。
其次是团队氛围。Quant都是聪明人，他们向往和自己同频的同事一起工作，平等地交流。一名研究员说，“以前在某家私募工作时，一天给隔壁工位同事发了20条消息，只有1条回他，来了中欧，团队内部交流很密切，找曲径也次次都能得到回答。”
再者是量化基建。多数公募量化年化回报周转较低，中短周期Alpha 很难落地。杨柳到来时，中欧是少数能够解决这一问题的公募基金。在算力和IT投入上，中欧称得上是不遗余力。
宋婷判断只要交易系统得以优化，私募的因子框架完全可以在公募跑通。2025年，借助中欧“工业化”的中后台支持，宋婷的因子框架确实显著提高了策略的稳定性。
在中欧量化团队，不存在个人英雄主义的叙事。团队的价值观被定义为，质量优先、技术驱动、学习共享。
中欧量化团队采用“Central Book”（中央化账簿）模式，从数据处理、特征生成、因子构建、模型管理、风险模型、独立优化器、交易算法和基金运营，每个环节都由专人专岗管理，形成一套工业化流水线体系。每只产品的业绩，都是工业化流程中各个环节积累的Alpha所叠加起来的结果。
然而，高效的工业化流水线也会带来一个经典难题：如何在脑力密集型行业中组织和管理出色人才，避免他们陷入机械劳动陷阱？
梁文锋也曾谈到这一问题，“每个人有自己独特的成长经历，都是自带想法的，不需要推着他走……不过当一个项目显示出潜力，我们会自上而下地去调配资源。”也就是，让这类人才围绕有潜力的项目聚拢，通过实现项目成果来获取正反馈。
中欧量化的工作方式区别于传统量化投资，他们像是在大学做科研，可以参与到两个正在进行的前沿项目：一个是优化器，另一个是端到端。
优化和泛化
优化器是这些年量化圈最火热的前沿技术之一。海外最早可追溯到MSCI的Optimization与Qontigo的Axioma，国内则是因为磐松的运用逐渐被投资人所熟知。
“技术进步不会出现在行业红利鼎盛期。”杨柳说，“早年挖因子，土壤肥沃，不需要精耕细作业务也能发展得很好。然而随着因子拥挤度上升，就需要通过组合优化，以削减规模扩大对收益的影响。”
为了实现更好的组合优化，中欧基金量化团队与上海交通大学智能计算研究院建立了合作，后者为中欧量化团队提供优化器技术支持。智算院通过校企合作研发的COPT求解器代表了全球优化器的最高水准，在国际权威公测榜单中，揽获11项世界第一。（数据来源：中欧基金、上交智算）
在中欧做量化，不只是挖因子，还可以和交大智算院一起攻克国际性难题——比如如何把优化器放到GPU里加速。中欧量化团队的一位运筹学博士参与其中，她非常兴奋：“没想到来陆家嘴上班，还能读论文、做科研，就像回到大学一样。”
反过来，交大智算院也会派教授来指导优化器在金融领域的落地。根据测算，在智算院技术支持下，中欧量化投资组合优化速度提升了百倍。
曲径打了个比方，“中欧管理的一些小盘主题基金可能会同时买到一只流动性较低的股票，通过优化器，可以优化多只产品的买入方式，使得整体冲击成本最低，损耗掉的Alpha最少。”
中欧优化器承担的是跨周期、跨产品的优化，降低了交易延迟和交易损耗。它解决的核心问题是，如何在复杂约束条件下求得最优解，如何在对市场冲击尽可能小的前提下，将Alpha高效地交易出来。
中欧量化团队内部对技术极度追求。顶级国际量化基金Two Sigma是团队内多次提及的量化机构，它代表了一种非常典型的量化路径：不是依靠极限低延迟，而是依靠数据科学、机器学习，在每一个研究技术节点，都建立持续的优势。
正因如此，除了落地优化器，中欧量化团队还持续探索端到端模型。
所谓端到端，是将原始市场数据直接输入到机器学习和AI系统，由模型自动完成特征提取、信号生成和交易决策，人类不干预整个过程。人类要做的是获得更多独立的数据样本，然后帮助模型定义清楚特征，并进行整体风险管理。
端到端属于高维深度学习模型，与传统多因子模型不同，输入的不是因子，而是海量的无直接经济意义的特征。
曲径又打了个比方：“因子”类似于体检指标中脂蛋白偏高，它直接指向未来可能发生的疾病；“特征”类似每日步数、腰围臀围比、家族疾病史，并不指向未来是否会得病。但如果将10,000个生活细节和身体信息放入一个深度学习模型中，预测未来患病概率的准确性就会很高。
“高维模型虽有效，但越高维越脆弱，弄不好就成了牛刀切豆腐。”曲径指出，金融数据信噪比本就偏低，端到端模型很容易捕捉短期趋势，放大风险因子，反而忽略了真正的 Alpha信号。比如，在2025年只学到动量，在2023年只学到小盘。
针对模型可能存在的过拟合问题，中欧的做法是“约束”和“泛化”：一边做好前期的特征工程，严控独立样本质量；另一边强化模型泛化，提升鲁棒性（Robustness音译，即稳定性），确保模型能适应不同市场环境。
在中欧做量化，不会枯燥地卷因子，而是以项目制的形式让投研人员参与其中，在组合优化和模型泛化两个核心命题上，推动“最优解”渐渐清晰。
AI是必需品，而非奢侈品
今年春节，杨柳与一家海外头部量化的研究主管做了次交流，发现对方在大量使用最新大模型编程建模。他意识到，招人的标准要变了。
过去侧重知识型人才，现在更应该看重谁能用好AI工具解决实际问题。杨柳说，“我们投研人员现在能够把原来需要一周时间的工作压缩到几小时。人工智能已不是从0到1或从1到100 的效率提升，而是一个范式的变化，它彻底颠覆了量化的工作方式。”
对于中欧量化团队来说，AI是必需品，不再是奢侈品。
正如中欧基金董事长窦玉明对中欧“数智化”进程的分享，中欧已将AI和大模型深度融入投研流程，在这一流程中，人类负责深度思考与洞察，机器负责广度覆盖与实时响应，人类智慧与量化模型相互赋能。
与曲径和杨柳交流那天，隔壁会议室坐满了人，正在进行一场关于AI的培训。在中欧量化团队，端到端不只是策略层面的探索，而是融入到日常的工作流。
更极致的例子，是杨柳正在推进的一个IT项目。整个流程完全端到端，开完会AI自动生成会议纪要，然后再自动喂给模型，由模型直接输出方案和对应代码。传统模式下，这套流程中间需要项目经理整理会议纪要，拆解各个模块，逐一部署任务，如今这些环节全部被 AI替代了。
杨柳鼓励团队成员每天写一份备忘录，里面只需回答三点：
第一点是：“每天做了哪些维护工作？”第二点是：“如何对维护工作进行优化？”第三点是：“如何用AI帮助我更好地完成工作？”
在他看来，只有把每天的进步落到纸面上去审视自己，才能摆脱按部就班的惯性，更有创造性地思考问题。
这次交流，最直观的感受是中欧量化团队对极致效率的追求，如果产出远高于投入，就非常愿意投入资源，不论是Token消耗、算力显卡还是数据采购。曲径说，“这是为了同事们在这里工作得爽！”
“我们尽量避免投研人员干等着回测结果。”曲径认为，“研究是一个连续思考的过程，一有模型或因子改进的想法，最好立刻扔进回测平台，1-2分钟就跑出15 年日内数据的结果，这样思路才不会中断。”
对于量化投研人员来说，时间是最宝贵的资产。“若是优化一次跑一整天，晚上提交早上才能看到结果，思路早就断了。”曲径说。中欧之所以在快速存储、快速回测、优化运算等技术力量上不断投入，是因为不想打断团队成员的连续思考，把时间最大化地利用在投研上。
中欧量化团队相信科学方法、数据驱动和技术力量能够解开市场之谜，随着人工智能和机器学习飞速发展，优势会进一步扩大。
在这场技术变革当中，曲径重点在做的是，“我们努力让提速的高铁在更丝滑的轨道上驰骋起来。”
尾声
杨柳提及了两个希腊字母：Ω（Omega）和ε（Epsilon）。
Ω在数学上是无穷大的集合，而ε则是无穷小的度量单位。前者指代远方那座清晰、唯一的山顶——那个真正重要的终极目标；后者指代当下能迈出的、方向绝对正确的最小一步。
这是一种以终为始的价值理念，当想清楚了终点，最重要的是做倒推和拆解：要完成目标，大概要走多少步，要做哪些关键的事情。
在中欧量化团队，处处都能看到把目标“微分”的数理哲学。
中欧量化团队对产品的目标，是让广大基民都能买到优质的Alpha。所以，为了提高夏普，团队把模型迭代为三元低相关。
在曲径看来，量化是力争用Alpha作为底仓，去承接指数Beta的波动。量化希望用更厚的 Alpha熨平Beta的波动，实现时间价值的累积。而这一切的前提，是把每一步的 Alpha都积累好。
中欧量化团队对组织的目标，是无穷逼近顶级的国际量化基金。那么，每一个因子优化、每一次存储提速、每一次优化器迭代、每一处代码的微小改进，都是在打磨一块方差极小的Alpha积木。
在每个细节创造一点Alpha，才能无穷逼近全域的Omega。
正如曲径说的，主观的研究没有尽头，量化的迭代也没有尽头。
基金有风险，投资须谨慎。以上内容仅供参考，不预示未来表现也不作为任何投资建议。其中的观点和预测仅代表当时观点，今后可能发生改变。未经同意请勿引用或转载。基金管理人承诺以诚实信用、勤勉尽责的原则管理和运用基金资产，但不保证基金一定盈利，也不保证最低收益。基金的过往业绩并不预示其未来表现，基金管理人管理的其他基金的业绩并不构成其他基金业绩表现的保证。您在做出投资决策之前，请仔细阅读基金合同、基金招募说明书和基金产品资料概要等产品法律文件和风险揭示书，充分认识基金的风险收益特征和产品特性，认真考虑基金存在的各项风险因素，并根据自身的投资目的、投资期限、投资经验、资产状况等因素充分考虑自身的风险承受能力，在了解产品情况及销售适当性意见的基础上，理性判断并谨慎做出投资决策。
