Feng Ji是Baiont的创始人兼首席执行官，Baiont是中国表现最佳的量化基金，该基金使用人工智能制定交易策略。
他认为，量化交易从根本上是一项计算机科学任务，并预测，量化基金经理未能接受AI，不会再持续三年。
在与《金融时报》技术通讯员Zijing Wu的对话中，JI谈到了他的年轻计算机科学家团队没有财务背景的团队正在破坏中国的量化交易领域，并且有雄心勃勃的全球性。他说，量化交易吸引了最佳的AI才能，并为初创企业（例如DeepSeek）提供肥沃的理由。
Zijing Wu：与美国和欧洲相比，中国的量化交易仍然相对较新。您能描述中国当前的景观吗？
冯吉：这里的第一波交易阶段始于一些非常有才华的中国交易者从华尔街回来的。在2013年左右，法规更改为允许量化交易，并在中国市场引入了更多的对冲工具，这为第一代中国量化商人创造了肥沃的基础。他们做得很好，仍然是当今最大资金的领导者。
我们是第二代，并且非常不同。我们来自零财务背景的圆圈。我们认为，定量交易与许多其他数据挖掘和分析任务相同。没有什么特别的。我们将其视为纯粹的AI任务，因此我们的团队仅由计算机科学家和工程师组成。
ZW：您如何将AI应用于定量交易，以及您的工作与老式量化交易之间的区别是什么？
FJ：在过去的10年中，AI技术取得了重大进展，尤其是在时间序列数据建模中。无论是语言还是多媒体AI模型，从根本上讲，这都是关于建模时间序列数据的全部。例如，chatgpt的核心任务是预测下一个单词。与量化交易本质上是相同的。我们没有预测下一个单词，而是在下一个时间间隔中预测价格的上升和下跌。
传统的量子基金将其团队分为几个功能，这些功能重点是管道的不同阶段，主要是因素查找，信号产生，建模和战略。这些功能是独立的，彼此之间有些孤立。
我们将所有这些阶段本质上视为同一机器学习任务，并通过相同的基础模型整体地对其进行处理。这对运营有深远的影响。就像在chatgpt之前一样，语言处理公司还拥有团队部门的侧重于单词分离，标记，分析等。
AI交换
ZW：为什么您的整体方法比传统的劳动分工更好？
FJ：首先，您可以根据机器学习来预测和计划系统的升级。就像Chatgpt启动其第一代模型时一样，您基本上知道第二代的样子以及到达那里需要多长时间。以系统的方式持续升级的能力是量化基金经理的关键。
第二个优势是成本效益。我们没有雇用50个人来寻找因素，而是使用100 GPU和一个写算法进行因素查找的人。结果甚至更好，更快。所有阶段都适用。
ZW：您的团队有多大，您的资产管理多少？
FJ：我们目前管理着接近70亿元人民币（9.7亿美元），我们的团队只有30人。三分之二的人正在进行研究，而其余的则关注运营工作。我们的研究主要是关于改进算法和我们自己的基础模型。
ZW：行业是否认为您是破坏性的？
FJ：大约四年前，当我们第一次开始这样做时，许多人认为这是不可能的。一堆计算机科学家如何了解业务和市场？事实是我们不需要。实际上，在此之前，我们谁都没有进行任何交易。我们认为这是一项纯机器学习任务，并且是完全可行的。
现在，很少有人对我们怀疑。相反，每个人都在疯狂地问我们如何更好地使用AI。
因此，我的预测是，在三年内，未完成AI转换的量化经理将被市场消除。因为该空间变得越来越具竞争力，机器学习将成为必不可少的工具。没有理由不应该采用它。
ZW：您是否从头开始建立自己的模型，您能否让我们了解其在交易中的工作方式？
FJ：是的，我们独自建造了这一切。因为市场数据和行为与例如语言数据大不相同。我们要处理的更为复杂，我们需要为其建立专业模型。
通常，我们专注于短期交易，从几分钟到几个小时。这就是AI最好的。就像预测天气一样。如果您必须在一个月内预测天气，那将不是那么准确，但是如果您在五分钟内预测，精度就很高，因为您可以捕获许多信号。短期信号是相对可预测的，我们已经分析了足够的数据以做出质量预测。”
我们将全面评估从几分钟到几个小时的不同信号的预测。然后对这些预测进行全面的分数，并基于这样的分数，我们建立了动态交易的组合。
ZW：这是否意味着您根本不关心基本面？
FJ：基本上是。白天，基本因素和替代数据因素的变化很小。我们主要依靠交易数据。短期价格波动的核心是由交易数据驱动的。
ZW：您和您的团队为什么来自机器学习背景，决定进行定量交易，而不是更受欢迎的AI初创企业，以大型语言模型为例？
FJ：在获得机器学习博士学位的毕业后，我花了大约一年的时间来查看机器学习和AI可以产生真正的破坏性影响的各个方向，而不是对现有工具的简单升级。
我当时考虑的第二个因素是它是否可以带来良好的现金流。当时，我意识到大多数AI独角兽都没有赚钱。他们可能正在做有价值的事情，但很难维持。同样对于许多人来说，他们的成功在很大程度上取决于销售能力，而不是技术的能力，因为其核心技术的差异有限。我觉得自己是一个超级书呆子，我对销售驱动的任何事情都不感兴趣。
然后我找到了量化交易，这会打勾所有盒子。这是我们可以通过AI重做的行业。它不仅是传统的线性模型，而且有可能创建神经网络或随机森林。我很兴奋。而且这是破坏性的。就像设计新的电动汽车工厂一样，完全破坏了旧的汽车制造业。
定量交易的另一个好处是它很容易验证。您会立即发现您有一天要进行一千千次交易，是否处于正确的道路上。
这也几乎纯粹是技术驱动的。大多数量化公司都是由具有技术背景的人领导的。因为如果您自己不了解技术，则可以管理一个书呆子和天才团队。
ZW：我们在这里谈论什么样的书呆子和天才？
FJ：我们的团队（包括我本人）来自计算机科学竞赛背景。在我们的30个人中，我们有13名金牌得主。我们的球队的金牌密度可能比任何科技巨头都高。量化交易是您看到最高比例的天才行业。在美国也是如此。我相信，最高的机器学习才能在华尔街为80％，硅谷的才能为20％。
ZW：这就是为什么DeepSeek来自中国最大的量化基金之一的高级飞行者之一？
FJ：的确。我对此并不感到惊讶。对LLM的主要贡献是降低工程成本并提高GPU之间的沟通效率。量化交易者自然而然，因为我们如何量化时间是纳米秒到微秒的，而传统的互联网公司则具有秒数的时间表，或者充其量是毫秒的。
例如，一个具有十亿用户在线的大型技术平台同时希望确保没有滞后和人类反应在50至150毫秒之间。如果您有10毫秒的延迟，那很好。但是在Quants中交易一毫秒是永远的。
奇特的交易也是您拥有非常健康的现金流量以吸引顶级人才的地方。十年前，它吸引了数学和物理学中最聪明的人，因为他们可以将数据分析技能转移到资金中。但是今天，计算机科学家逐渐接管了它。因为我们甚至不需要转移技能 - 在设计分析数据的最佳工具中基本相同。无论是金融还是任何其他领域的数据，都不重要。
赚很多钱还意味着团队有奢侈的奢侈品来做他们更感兴趣的事情。我称其为技术溢出。
当您拥有大量的天才和足够的资源时，他们就可以根据类似的核心技能拆除一些无关的技术。
这发生在历史上很多次。例如，[Hedge Fund] De Shaw的创始人创建了一个大型科学研究中心，用于使用自我开发的超级计算机进行化学。它与Quants交易无关，而是采用类似的核心技能。
ZW：就像DeepSeek一样，您的团队都来自中国教育背景。您如何比较中国和美国的年轻才能？
FJ：这些天几乎没有差距。我们基本上正在竞争相同的水平。由于我们的教育体系，中国拥有更大的这种才能，并更加专注于科学技术。我们在工程能力和算法创新方面特别强大。
在过去的十年中，来自世界各地的聪明年轻人可以在开源AI平台上与彼此之间的沟通，学习和合作。这使我们这一代中国编码员有一个很好的机会来赶上这一领域的世界领先技术。
关于中国这一年轻人才能的另一件事是，与他们的父母不同，他们在大多数中产阶级家庭中长大，他们不必做自己不喜欢的事情才能谋生。
我们的大多数团队都在二十多岁。我是37岁，是迄今为止最年轻的。他们的首要任务是玩得开心。因此，与其去大型科技公司，他们可能不得不以一种或另一种方式处理政治，而是宁愿去像我们这样的面向研究的较小团队，在那里他们与同样聪明的同事和讲话的经理合作。
在富裕的环境中长大后，这也意味着这一代中国年轻人比父母更理想主义。您会看到更多的研究，而不是融资。实际上，我们想做些改变世界的事情。
ZW：您的团队的日常工作时间表是什么？
FJ：这基本上就像一个研究所。没有着装代码 - 最常见的短裤和拖鞋。我们在市场开放之前到达，开始编程并一起讨论我们的工作，并在市场关闭之前审查表现。进行更多实验，阅读并讨论一些论文，然后回家。我们与研究所之间的区别是我们有更好的资源。我们建立自己的计算能力。您拥有的计算越多，获得结果越快，就越有效。这非常重要。
ZW：您和您的团队的最终目标是什么？
FJ：在中期，我们希望建立一个从中国的世界领先的国民群体基金。我们现在主要是在中国市场上进行交易，我们正在寻求扩展到海外关键市场。当人们谈论Quants资金时，他们都会想到华尔街的顶级公司，很少有人知道中国资金。虽然第一代中国克努特人的资金使用了从华尔街学到的方法，但我们可以通过足够早的时间来更好地区分。我们有机会与全球领导人竞争。
从长远来看，我们想建立一家计算公司。我们很兴奋的潜在领域很多，我们可以溢出我们的技术。LLM不一定是AI的最佳用途。
该成绩单已被编辑为简短和清晰。