Feng Ji на Baiont: Мениджърите на количеството, които не приемат AI, ще бъдат елиминирани от пазара
Feng Ji е основател и изпълнителен директор на Baiont, най-добре представящ се фонд, който се възползва, че не се разработва.
В този разговор с кореспондента на Asia Technology на Asia Times Zijing Wu, JI говори за това как неговият екип от млади компютърни учени без финансов опит нарушава количествения търговски сектор в Китай и има амбиция да върви глобално. Той казва, че количествената търговия привлича най-добрите AI таланти и предлага плодородна позиция за стартиращи фирми, като Deepseek.
Zijing Wu: Quant Trading е все още сравнително нов в Китай в сравнение със САЩ и Европа. Можете ли да опишете настоящия пейзаж в Китай?
Feng Ji: Първата вълна от количествено търговия тук започна с някои много талантливи китайски търговци, които се връщат от Уолстрийт. Около 2013 г. регулациите се промениха, за да позволят количествената търговия и на китайския пазар бяха въведени повече инструменти за хеджиране, което създаде плодородна основа за това първо поколение китайски количествени търговци. Те се справиха много добре и остават лидери на най -големите средства днес.
Ние сме второто поколение и много различни. Ние идваме от „Извън кръга“ с нулев финансов фон. Вярваме, че количествената търговия е същата като много други задачи за извличане на данни и анализ. В това няма нищо особено. Ние го считаме за чиста AI задача, така че нашият екип е съставен само от компютърни учени и инженери.
ZW: как да прилагате AI в количествената търговия и каква е разликата между това, което правите спрямо моделирането на данни за старата школа? Независимо дали става въпрос за езикови или мултимедийни модели на AI, по принцип всичко е свързано с моделиране на данни от времеви серии. Например, основната задача на Chatgpt е да предвиди следващата дума. По същество е същото с количествената търговия. Вместо да прогнозираме следващата дума, ние прогнозираме повишаването и спадането на цените през следващия интервал от време.
Традиционният Quant Fund би разделил екипа си на няколко функции, фокусиращи се върху различни етапи на тръбопровода, главно фактор на намиране, генериране на сигнали, моделиране и стратегизиране. Тези функции са независими и донякъде изолирани една от друга.
Ние виждаме всички тези етапи по същество като една и съща задача за машинно обучение и подхождаме към нея целостно със същия модел на основата. Това има мащабно въздействие върху операциите. Сякаш преди Chatgpt, компаниите за обработка на езици също имаха екипни подразделения, които се фокусираха върху разделяне на думи, маркиране, анализ и т.н. Сега Chatgpt може да направи всички тях едновременно със същия модел.
AI Exchange
Това завъртане от нашата популярна серия от диалози на технологичния обмен разглежда ползите, рисковете и етиката на използването на изкуствен интелект, като говорим за тези в центъра на нейното развитие. Защо вашият холистичен подход е по -добър от традиционното разделение на труда?
FJ: На първо място можете да предскажете и планирате надстройките на система, базирана на машинно обучение. Както когато Chatgpt стартира модела си от първо поколение, вие по принцип имате идея какво ще бъде второто поколение и колко време ще отнеме, за да стигнете до там. Способността за непрекъснато надграждане по систематичен начин е от ключово значение за мениджъра на Quant Fund.
Второто предимство е ефективността на разходите. Вместо да наемем 50 души, които да намерят фактори, използваме 100 графични процеса и един човек, който пише алгоритъма за намиране на фактор. Резултатът е още по -добър и много по -бърз. Същото се отнася и за всички етапи.
ZW: колко голям е вашият екип и колко са вашите активи под управление?
fj: В момента се справяме с близо 30 души. Две трети правят изследвания, докато останалите се фокусират върху оперативната работа. Нашите изследвания са главно за подобряване на алгоритъма и нашия собствен основен модел.
ZW: Индустрията вижда ли ви като разрушителна?
FJ: Когато за първи път започнахме да го правим, преди около четири години много хора смятат, че е невъзможно. Как един куп компютърни учени могат да разберат бизнеса и пазарите? Истината е - ние не го правим и не е нужно. Всъщност никой от нас не е търгувал преди това. Това виждаме това като чиста задача за машинно обучение и тази, която е напълно изпълнима.
Сега много малко хора вече се съмняват в нас. Вместо това всички ни питат неистово как могат по -добре да използват AI.
Така че моето прогнозиране е, че след три години мениджърите на количеството, които не завършват своята трансформация на AI, ще бъдат елиминирани от пазара. Тъй като пространството става все по -конкурентно, а машинното обучение ще се превърне в основен инструмент. Няма причина, поради която човек не трябва да го приема.
zw: изграждате ли свой собствен модел от нулата и можете ли да ни дадете представа как работи в търговията?
fj: Да, ние сме изградили всичко от себе си. Тъй като пазарните данни и поведение са много различни от например езиковите данни. Това, с което се занимаваме, е много по -сложно и трябва да изградим специализирани модели за него.
Обикновено се фокусираме върху краткосрочната търговия, от минути до часове. Това е, в което AI е най -добър. Това е като прогнозиране на времето. Ако трябва да предскажете времето след месец, това няма да е толкова точно, но ако предвидите след пет минути, точността е много висока, защото можете да хванете много сигнали. Краткосрочните сигнали са сравнително предвидими и анализирахме достатъчно данни, за да направим прогнози за качеството.
Ще оценим цялостно прогнозирането на различни сигнали от минути до часове в реално време. След това направим изчерпателен резултат от тези прогнози и въз основа на подобни резултати изграждаме динамична комбинация от сделки.
ZW: Това означава ли, че изобщо не се интересувате от основите?
fj: основно да. Основните фактори и алтернативните фактори на данни се променят много малко през деня. Главно разчитаме на данни за търговия. Ядрото на краткосрочното колебание на цените се ръководи от търговия с данни.
ZW: Защо вие и вашият екип, идващи от произход на машинно обучение, решихте да влезете в количествено обучение, вместо по-популярните стартиращи AI, фокусирани върху големи езикови модели например? И AI може да има наистина разрушително въздействие, а не просто надграждане на съществуващите инструменти.
Вторият фактор, който разгледах по това време, беше дали може да донесе добър паричен поток. Разбрах, че по времето, когато повечето от AI Unicorns не печелят пари. Може да правят ценни неща, но е трудно да се поддържа. Също така за много от тях успехът им зависи значително от способността на продажбите, а не от технологията, тъй като има ограничена диференциация в основната им технология. Имах чувството, че съм супер глупак, не се интересувам от нещо, което е силно задвижвано от продажбите.
Тогава намерих количествена търговия, която маркира всички кутии. Това е индустрия, която можем да преработим навсякъде с AI. Това не е просто традиционен линеен модел, а с потенциала да се създаде невронна мрежа или произволна гора. Това е предизвикателство, от което се вълнувам. И това е разрушително. Това е като проектиране на нова фабрика за електрически превозни средства, напълно нарушавайки старото производство на автомобили.
Другото добро нещо за количествената търговия е лесно проверимо. Разбирате веднага дали сте на правилния път или не, като правите повече от хиляда сделки за един ден.
Това също е почти чисто задвижвано технологии. Повечето количествени компании се ръководят от хора с технологичен опит. Тъй като не можете да управлявате екип от глупаци и гении, ако не разбирате сами технологията.
ZW: За какви глупаци и гении говорим тук?
FJ: Нашият екип, включително и аз, идва от произход на конкуренцията за компютърни науки. От нашите 30 души имаме 13 златни медалисти. Златният медал на нашия отбор „Плътност“ на нашия екип е по -висок от всеки технологичен гигант там. Котинската търговия е индустрия, в която виждате най -високата част от гениите. Същото е в САЩ. Вярвам, че най-добрите таланти за машинно обучение са 80 на сто в Уолстрийт и 20 на сто в Силиконовата долина.
ZW: Това ли е причината DeepSeek да излезе от висш флайър, един от най-големите средства за количеството? Изобщо не се изненадах за това. [Основният принос за LLM [който] Deepseek направи, беше да намали инженерните разходи и да подобри ефективността на комуникацията между графичните процесори. Това идва естествено за количествените търговци, защото как количествено определяме времето е в наносекунди до микросекунди, докато традиционните интернет компании имат времеви диапазон от секунди или милисекунди в най -добрия случай.
Например, голяма технологична платформа с милиарди потребители онлайн в същото време иска да се увери, че няма изоставане и човешката реакция е между 50 и 150 милисекунди. Добре е, ако имате 10 милисекундно забавяне. Но в Quants търгува една милисекунда е завинаги.
Quants търговията също е там, където имате много здравословни парични потоци, за да привлечете най -добрите таланти. Преди десет години тя привлече най -умните хора от математиката и физиката, защото те могат да прехвърлят своите аналитични умения за данни на финансиране. Но днес тя постепенно е поета от компютърните учени. Тъй като дори не е нужно да прехвърляме умения - машинното обучение по същество е същото при проектирането на най -добрия инструмент за анализ на данни. Няма значение дали са данни от финанси или друга област.
Правенето на много пари също означава, че екипът има лукса да се разклони, за да прави неща, които са по -заинтересовани да преследват. Наричам това преливане на технология.
