赵建，同济大学管理学博士，21年证券从业经历，11年公募基金管理经历。现任国投瑞银沪深300金融地产ETF、国投瑞银白银期货、国投瑞银专精特新量化选股等7只公募基金的基金经理。

本文内容仅用于说明基金经理投资理念，非投资建议，不属于对产品投资收益或本金安全的保证，也不属于对基金产品净值波动低的保证。基金有风险，投资须谨慎。

以下是国投瑞银基金经理赵建在本次访谈中的精彩发言：

魏衡：赵建总好，很高兴今天能和你做一次深度访谈。今天的访谈和你之前做过的大部分访谈不同，我们不是围绕具体的产品或最新的市场观点。我们会从你的职业生涯、投资框架以及个人生活这三部分深入交流，希望通过这次访谈能够让投资者更立体的了解你。

之前听你聊到过，你毕业的第一份工作是做指纹识别，听起来似乎和投资完全不搭边，感觉这履历好特别。

赵建：是的。我本科读的是计算数学，说实话，当时毕业找工作并不是特别顺利，很多同学本科毕业后就直接就业，但可选的岗位有限，也很难找到特别满意的。要么是做科研，要么是统计，或者相关的领域。虽然很多工科或商科专业也会用到数学，但它更多是一个工具，只要接受过理工科训练的人，基本都有这个能力。

计算数学会稍微学一点计算机编程和数据结构方面的知识。而研究生期间学的应用数学整体更偏理论。读研期间，我有意识地去听一些偏应用的课程，比如计算机相关的课程，包括硬件原理、网络这些比较基础的内容。

在这个过程中，我也接触了一些关于数据图像处理的课程，因为这些方向会用到数学工具，像小波分析、傅里叶变换这些数学理论，在图像处理中都会用到。当时我觉得，如果从理论转向应用，以后找工作可能面会宽一些。

魏衡：技多不压身。

赵建：是的，坦率说，刚开始是有点功利心态，主要就是想着学习拓展有利于就业，但听下来发现还挺有意思的，自己也产生了兴趣。比如图像处理、计算机图形学这些方向，我读研的时候就自己写代码做图片处理软件，类似Photoshop里的功能，比如模糊、去噪、边缘提取这些操作，我都研究过。

有了这些前期积累，后来毕业找工作时，我就进了一家做指纹识别的科技公司。指纹识别说起来也简单，就是在前端通过设备提取指纹的纹路，然后数字化，与数据库里的信息进行对比，这个过程就涉及到图像处理的算法和模型，我当时主要就是做这方面的工作。

魏衡：我看电影里面的画面，录入的指纹和数据库指纹两张图叠在一起，重合就是匹配，不重合就不匹配。作为外行，我的感觉是，指纹识别不是挺简单的吗？

赵建：电影这种表现手法是为了方便观众理解，但实际上指纹识别不是简单的做匹配。道理很简单，不同的前端设备，采集精度是不同的，即便是同一个人的指纹用同样的姿势，采集到的指纹图案也不是完全重合的。再比如，手上有汗，或者按压力度不够，可能纹路还会有断裂。

这里的匹配，并不是简单的图案对图案的匹配，我们需要对指纹进行处理，用边缘检测等算法找到这个指纹的关键特征，同时要排除采集中误差导致的区别，这里相当于是要做去噪处理。比如说，将采集的指纹与A、B两个指纹做对比，如果简单的对比整体图案的重合度，可能A比B更高，但在关键特征这部分，B远比A更高，那么，B才更可能是匹配的指纹。

魏衡：咦，听起来挺像是投资中“信号和噪音”的关系。

赵建：没错，在量化投资的分析中，我们经常要做这样的事，区分哪些是真实的交易信号，哪些只是噪音。信号是真正能体现出市场逻辑的数据，而噪音则可能只是随机波动的变量。

这种图像处理的思路，在量化投资中也会用到。比如K线图也是一种图像，我们可以把个股的K线图，按照不同的行业做分类，然后按日K、分钟K线等不同的频率做采集，之后对这些海量的数据做去噪处理，抽象化处理，转换成时间序列，从中寻找相关性或其他关系结构。

魏衡：这太有意思了。指纹识别和量化投资听起来是风马牛不相及的两个领域，没想到底层逻辑却有相通之处。你在这家公司待了多长时间？

赵建：在这家科技公司待的时间不长，算上实习和正式工作，其实也就不到1年。后来，我就去了一家私募公司。

魏衡：你在这家私募公司主要负责哪些工作？

赵建：当时我有数学背景，但确实在金融方面是一点基础都没有，刚过去的时候连“买一、卖一”（即买入价第一档、卖出价第一档）都听不懂，于是跟着老板补上金融投资这块的知识。公司初创的时候人不多，老板之前做过类似金融软件开发的工作，包括股票和衍生品定价模型、债券定价等，他会给出建立算法和模型的思路，而我主要负责具体的算法开发落地，把思路变成具体执行的代码。

而且，我们在一开始就预见到，套利带来的超额收益（α）会随着市场的发展逐渐衰减，这和现在很多α策略面临的挑战是类似的。老板觉得，虽然从海外经验来看，套利机会会一直存在，但利差会越来越小，与其把自己的算法当宝贝藏着掖着，不如开发成软件卖给市场。

在这个过程中，我自己在金融市场上的理解也逐渐深入，在算法开发上可以独当一面了。我记得当时开发了不少类似于ETF套利等交易软件，这里面的交易逻辑基本都是我负责开发的。现在这种程序化交易已经非常普遍了，但在当时还是相对前沿的。

魏衡：我理解因为当时市场程序化交易很少，对于能够前沿开发和利用的机构来说，套利机会应该挺多的。

赵建：是的，以ETF套利为例，我们准备好几年，按老板的话说可谓“早已森严壁垒，更加众志成城”。作为国内首只ETF，上市初期套利交易的机会的确非常多，潜在收益空间也挺大，我们自己的套利基金收益相当好，市场对我们的交易软件的需求也挺多。

我当时作为核心开发人员，也是特别忙。ETF套利软件虽然支持全自动交易，但对于新系统、新的金融工具，客户心里不踏实渴望得到现场支持。另外，不同公司，甚至同一家公司不同营业部的应用环境或使用的柜台系统也不尽相同，我们需要做适配工作，争取做到ETF上市第一天就零差错平稳运行。我记得当时有几个客户合伙买了三套系统部署在同一家券商营业部，我在ETF上市后的前几周交易时间都需要到现场去支持，我同时支持三套系统，也是被分派数量最多的，当时也有点小骄傲。因为整套系统的开发我都是深度参与的，所以遇到适配问题或算法改进，我马上就能理解原因，当场就带着电脑重新调试编译代码，很快就解决或优化问题并立即上线使用。

魏衡：我感觉这个过程中，赵建总你的能力圈在不断拓展，并且形成跨界运用优势。最开始你是掌握数学能力可以做算法，然后开始懂金融的套利逻辑，成为了既能给出交易逻辑，又能写代码落地的复合型人才。

赵建：刚开始转行的时候，确实挺难的。但机遇真的挺好，特别要感谢前老板的信任。当时国内实际在做套利交易业务的人很少，而我转行过来就能直接面对这些前沿的、实操的业务，对提升个人能力非常有帮助。

而且除了ETF套利以外，我们还做了很多其他研究或实战，比如商品期货套利、权证套利、股指期货套利、期权套利等业务。除了这些以外，我们也开发了一个系统专注于股票投资，主要是采用一些统计型或偏技术分析的策略。比如我们对一篮子股票编写很多技术分析指标，我们会观察这些指标在比较长的时间维度下，比如三五年，是否呈现出类似正态分布的规律。当某个指标达到极端值的时候，我们判断可能是低估或者高估了。低估就买入，高估就卖出，或者等到指标回归均值时再卖出，这既可以说是我们在基于统计规律做统计套利，也可以说是类似于股票投资的低估值策略。

那些年，我们经常跑营业部，把系统部署进去，跑一跑看一下绩效怎么样，再回去改程序，如果需要的话，晚上就加班开发新系统。我感觉当时我们已经建立起一套相对完备的金融工具交易体系。

魏衡：赵建总你是哪一年加入我们国投瑞银的。

赵建：我是2010年6月加入公司的，正值股指期货刚推出，加入公司首先做的就是基于过往股指期货套利的实操经验，开发股指期货相关的交易策略。

当时A股走势偏弱，很多投资者，特别是高净值个人客户，他们希望获得绝对收益。引入股指期货的策略至少有两个优势：一是股指期货存在套利机会，特别是在溢价出现时；二是通过选股组合可以实现收益增强。这其实跟现在的做法差不多，玩法没有太大变化。

我们当时和产品部、专户部、交易部等部门同事一起加班加点的奋战，建立了完善的体系，从交易系统和人员配置上都满足了监管要求，国投瑞银成为国内首家获得“一对多”特定客户资产管理计划股指期货交易编码的基金公司。（信息来源：《首只基金股指编码诞生，国投瑞银基金拔得头筹》上海证券报2010.9.17）

后来我们还发行了一个商品期货专户产品，除了跨期套利，我们还尝试了跨品种套利（如铜和铝、金银比），以及基于产业链的套利（如豆粕和豆油），涉及跨品种和跨期的策略。

魏衡：赵建总你刚才回顾的这段历程，让我想到公司文化经常提到“诚信、创新、包容、客户关注”，听起来是四个独立的词，但听你说完，我感觉它们之间是有联系的。你加入公司已经有十多年，应该有更深的感受。

赵建：是的，按现在流行的说法，我们公司在市场上的标签之一就是“创新”。为什么要创新，因为要更好地服务客户，所以必须不断创新；而这种持续的创新，又需要一个包容试错的环境来支撑；这一切最终都必须建立在诚信这个基石之上。

公司当时做了很多前瞻性的规划，比如在指数基金布局方面，我司在业内首次推出产业链相关的系列指数基金，按照产业链的角度来布局的，涉及金融地产、上游、中游、下游。期间因为种种客观原因，并没能全部落地，不过现在我们仍然是有中证上游指数和金融地产指数基金的。

现在来看，这些行业指数产品在业内是常规配置，但在10多年前，这种产品布局思路是相当有前瞻性的。我记得当时指数基金市场刚开始起步，产品线还没有现在这么完善，大家主要集中在沪深300、中证500等宽基指数。

这一两年我们公司在指数基金的布局上再次加速，你可以看到我们从多个角度在完善产品线，为投资者提供更完善的指数配置工具，这里面其实也有公司创新基因的一脉相承。随着产品线的完善，我们的工作领域也就不断拓展，从最初的套利策略，逐步拓展到被动指数跟踪，再到指数增强和主动量化等更为多元的投资策略或产品。

魏衡：我理解这也是你处理的风险敞口不断提高的过程。你最早做的ETF套利，我记得教科书里有不少策略是归入无风险套利。比如某个指数对应的一篮子股票和指数ETF之间出现价差，程序化交易一键买入这一篮子股票，再申购为指数ETF，立刻卖出。

而从这里的价差套利，到跨期或跨品种套利，不确定性就会更高，再到指数增强和主动量化，风险敞口在增强，就更需要去关注策略的收益风险比。

赵建：你的这个观察很敏锐。

严格的说，就算是价差套利也不是完全的无风险套利。你的交易始终是需要时间的，而只要交易没有完成，持有ETF在二级市场的价格波动风险始终是存在的。当然，因为这个时间窗口很短，所以通常认为波动是较小且可控的。

而后面的统计套利需要处理的敞口就更大了，因为统计模型可能会失效。例如，你认为两只股票的价差应该运行到某个水平，或者跨期合约价差应该在某个范围，这通常是基于金融理论和无风险收益率、资金成本等因素计算得出的。但市场可能会偏离预期，比如在逼空行情或其他特殊情况下，价差可能不会回归，这种情况完全有可能出现，你必须得一开始就想好应对策略。

再到指数增强和主动量化，这里就需要对行业和个股进行比较，通过低配或高配去博取超额收益，这里的每一次操作，可能带来的是正α，也有可能是负α，就需要从胜率和赔率的角度去衡量，并且根据市场变化随时修正自己的判断。

魏衡：我理解，像价差套利这类低风险套利，因为价差空间相对确定，比拼的是谁的程序能比别人更早发现机会、更快完成交易。而随着风险敞口增大，决定策略优劣的变量也会更多，是吧？

赵建：你刚才讲到的是快，快当然很重要，同样的机会，我看到得比你早，执行得比你快，自然有更大的优势。这是在考验核心研发能力，哪怕同样的交易逻辑，你的程序多几行代码，积累下来可能就比人家慢几毫秒，你的交易信号刚发出去，人家已经成交，盘口的挂单已经被人家吃掉了。我能做，你也能做，谁快谁就行。

然后就是策略开发能力，同样的数据，有的人看到没觉得是机会，甚至觉得是风险，而有的人看到了里面的机会，也知道如何在捕捉机会的时候尽量避开风险。你做不了，我却能做，这里就不介意快一点慢一点，而在于我做得对不对。

所以，随着风险敞口增大，或者说不确定性增大，对策略胜率的要求就会更高。

魏衡：刚才回顾了赵建总你的职业履历，我们发现，一开始听起来你的职业生涯是从做指纹识别起步，和量化投资听起来反差挺大，但深入聊下来，其实在底层逻辑上是打通的：你一直在做的是如何从庞杂数据中识别信号、去除噪声。

而后你进入金融市场，从套利起步，做了很多在当时属于市场前沿的策略。这里也有一个清晰的脉络，你需要应对的风险敞口逐渐增大，需要处理的金融工具逐渐增加，从一开始在确定性中快速抢机会，到从不确定性中敏锐捕捉机会，你的投资框架也在不断演变。

接下来，我们进入今天访谈的第二部分，聊聊你的投资框架。能否请你先用一句话，概括你现在的整体投资框架是什么样的？

赵建：关于投资框架，我们可以从哲学层面和实操层面来探讨。

从哲学层面来说，我的投资框架有点中庸之道的感觉。所谓的中庸之道，就是我对某一类策略或方法并不追求极致，无论是在仓位配置上还是体现在细节层面。例如风险暴露，我是适度暴露；对因子或指标的使用，我倾向于多元组合，而不是单一依赖。我追求的是均衡，不是极致。比如仓位管理，我倾向于保持适度仓位，做到进退自如，而不是把自己陷入进退维谷的境地，导致被动。

从更高层次来看，我倾向于一种相对均衡和中庸的思路，强调多元化和兼收并蓄。以我们现在常说的多因子模型为例，无论是宏观、行业、基本面、技术面等角度开发的因子，还是高频或AI因子，对我来说更像是一个同心圆的结构。我位于中心，与各类策略的距离是相等的，不会因偏好而有所偏废。我以一种包容的态度来看待它们，追求的是能否把这些信息提取出来并有效组织，从而在构建组合时更加平稳，更符合产品目标的实现。

总体而言，我追求的是一种整体的均衡和长期的稳健。就像那句老话说的，要尽量让自己一直留在牌桌上。

魏衡：我特别喜欢你说的同心圆的比方，很有画面感，画面里你站在圆心，各种策略分布在圆上，这种平等对待的态度非常直观。讲到这里我还挺好奇，如果说平等看待各种策略的形状是同心圆，与之相对的，有偏好的投资框架，可能会是什么样的形状？

赵建：从这个角度来说的话，线段型就是投资甚至生活中看待事物的一种常见倾向。想象我们是线段中间的一个点，其他的点有的离我们近，有的离我们远。

我们往往会给那些离自己亲近、最近接触过、或者自己熟悉的人或事物赋予更高的权重。而对于历史越久远的东西，我们可能会看不见它、漠视它，或者忽略它。这样就会形成一种亲疏远近的关系，甚至可能带有好恶情绪。比如，看某个指标近期表现不错，就一把梭哈，全仓押注，短期可能带来高收益，但伴随的风险也非常高。

而我所倾向的做法是尽量不带偏见，保持客观，对所有因子一视同仁。我们基于数据来做判断，我们会对各项因子做持续观察，不管是表现好还是不好，都会判断这个表现的可验证性和持续性。如果表现好能够被持续验证，这个因子就可以纳入投资策略，或者进一步提高权重；如果表现不好，且持续观察后认为确实不好，就会降低权重，或者从投资策略中剔除。当然，这种剔除并不意味着永久性淘汰，我的投资体系是开放的，允许自由进出，我始终对所有因子保持平等对待的态度，用客观的数据来证实或证伪这些因子。

魏衡：这让我想到一句常常用在描述职场的话，“能上能下，能进能出”。用数据说话，干得好的因子升职加薪，干得不够好的因子则可能会从投资体系中被开除。

这样说起来，其实这个逻辑是很符合常理的。难道有的投资框架，是哪怕有因子明明表现好，也不增加权重，听起来挺奇怪的。

赵建：这种倾向在现实投资中的确是有存在的，现在量化投资的主流因子分布很广：有偏基本面、财务类的，也有偏技术面、高频、AI模型的。

有的人过去主要使用基本面因子，对这些因子很熟悉，而且逻辑也很清晰，“基本面好的企业长期来看股价更容易涨”，他们可能就会对AI类因子不够信任，认为它难以解释。AI模型更像一个“黑盒子”，它涉及大量参数，进行大量模拟和计算，处理的是非线性关系，从人的逻辑角度很难解释清楚。

与之相对的是，也有人过度信任AI类因子。他们认为，随着财务类因子被越来越多的人使用，超额收益可能收窄，波动也可能增加，于是就觉得传统的财务类因子失效了，转而迅速转向AI类因子，形成一种非此即彼的心态。

在我看来，不应该非此即彼的选边站，而是要把各类因子放在合适的位置。从量化的角度来看，可能没有一个因子或模型是永远有效的，反过来，一个很长时间平庸或无效的因子也可能在某个阶段令人惊艳，即因子也是有生命、有周期的。

你要去管理这些因子，让每一个因子都能像物尽其用、人尽其才一样，在不同的市场环境下发挥应有的作用，是否能够达到这种理想的目标，就是让它真正发挥自身的功能。所以，不应该有偏爱或成见。

魏衡：这也就是你前面说的，追求相对均衡的中庸之道。

赵建：是的。同时我也进一步澄清一点：中庸不是平庸，均衡也不是一碗水端平的平均。

我说的是对各类因子的重视程度一致，并不是因子的权重平均分配。我不会因为某个因子是在40年前的美国市场被首次提出，就认为它“权威”；也不会因为某个因子是前沿技术新产物，就盲目高看。对我而言，它们本质上属于“待验证的工具”，关键在于避免主观的偏见，用数据来实证，然后根据数据来调整因子的进出和权重增加或减少。

魏衡：就像学校考试，当老师的不能因为某几个学生平时课堂表现好就给排在前面，也不能觉得某几个学生喜欢上课插嘴就排在后面，最终要看学生各凭本事考试，成绩单下来，看客观的考分来排名。

赵建：你这个比喻很有趣。

量化本身就是强调客观数据实证，尽量减少主观情绪和个人好恶，所以实打实的数据是做判断最重要的依据。当然，这里也可以有主观的部分，量化因子里面，有些因子本身是需要通过主观经验判断来发现的。包括前面讲的，不同的因子之间权重不同，并且还会对权重做动态调整，这个调整的过程，也有基金经理主观判断的因素。

所以，在你的比方基础上我再完善一下，排名表里面也会有一部分主观分值，当老师的会根据学生的日常表现打主观分。这个主观打分，本身就是排名表上既定的因子。我们不能做的是，前面主观分打了，后面学生考试的客观分下来了，这个时候一看排名表，“咦，怎么我喜欢的那几个学生排在后面，那不行，我还要手动改分，就得让他们排前面。”

这就不行了，属于不讲规则，在作弊。而不讲规则手动修改了结果，就意味着你无法通过这次结果的反馈完善你的规则，你就始终会怀疑自己的规则合理性，下次出了结果不达预期又忍不住想要手动改分，这样一来，你的量化体系就失去进化或迭代空间了。

魏衡：赵建总你刚刚说到，从哲学层面和实操层面来阐述投资框架。刚才你用非常生动形象的方式，阐述了哲学层面的中庸之道，下面请你就实操层面做个概括。

赵建：实操层面，我是以逻辑演绎和数据归纳为基座，通过两者的互相验证和打磨，推动投资体系不断迭代和创新。

从逻辑和数据两者的关系来说，我追求的是两者的并驾齐驱，或者说是彼此之间的一种校验关系。如果你只有逻辑，没有数据验证，我觉得是难以接受的；如果你有数据支持，但逻辑上存在瑕疵，我也会觉得有问题。当然，在量化投资中，有数据支持但想不清楚逻辑的情况是常常出现的，在实操中根据情况，也可能会给一部分权重，但如果我还没想清楚逻辑，给的权重就肯定是有限的，不会给到太多，因为这种情况有可能只是数据的过拟合，没有内在规律。

同时，我追求的是借助两者的互相验证和打磨，推动投资体系不断迭代和创新。我觉得这正是我们做量化，甚至做任何投资的生命力所在。你需要不断去发现新的东西，从逻辑层面构建新的解释框架。

魏衡：这种迭代创新有没有尽头，有没有可能迭代到一个绝对完善的量化投资体系？

赵建：迭代创新没有尽头，这是非常明确的。我始终认为，不可能靠一个模型打天下。

央视有个栏目叫《经典咏流传》，经常介绍一些文化经典，比如传统文化、民族艺术等。

我记得有一次采访的是中央民族乐团的团长，讨论的是如何传承民族音乐或民族歌舞。节目中提到一个观点让我很有感触：他们现在鼓励一些音乐家，尤其是形象不错的，通过线上与网友互动。

这位团长说，以前的听众和观众可能是在民间、在厂矿、在田间地头，而现在很多人在网络上。要保持这种艺术的传承，你必须适应这种变化，因为这是传承的基础。没有听众，你传承什么呢？所以他们也在创新形式，比如通过年轻的音乐家做个人公众号，进行线上互动。

我当时看完之后特别有启发，节目聊的是传统艺术的创新，其实和投资的道理是一样的。无论是什么领域，都需要创新，都需要你去思考如何使用同样的资源，用不同的方式去实现目标。

魏衡：我理解赵建总你说的是变与不变的关系。任何一种创新，都必然有一些底层逻辑是不变的，同时又会需要根据形势而变化的部分。文化的传承，投资框架的迭代，都是在探索变与不变的辩证统一。

赵建：只要世界是不断变化的，市场就会不断演化，变化也就是永恒的；只要人还是人，人性就有不变的规律，商业竞争也有不变的法则，不变也是必然的。

我们都知道，蒙古帝国当年军事实力是很强的，我看历史书上总结，蒙古的强，首先是强大的骑兵机动性和严明的纪律，这是不变的优势，同时它做了不少创新。比如打破传统以血缘为纽带的家庭编制，采用十户制，将牧民、士兵和后勤生产单位融为一体，实现全民皆兵、快速动员，这是军事组织制度的创新；采用每位士兵配备多匹战马，提高机动性，这是后勤保障的创新；招募的波斯工程师改进了配重式投石机，可投射百公斤级巨石击毁城墙，这是武器技术的创新。当年的蒙古帝国，就是依托这些不变的优势和变化的创新，以百万级人口，十万级的兵力，一路打到中亚乃至欧洲。

投资也是一样，我们前面讲到ETF或股指期货套利，很多套利策略很早就写在教科书里面，当年是有效的，现在也有效，未来预计也会长期有效。但是，这些策略的潜在收益空间是变化的，最早的时候竞争很少，超额收益高的时候，做到年化收益30%以上其实是相当轻松的，后来随着这些策略扩散，工具更便利，市场中的超额收益和套利空间逐渐缩小。这个时候，你要么升级自己的武器，要么升级你的战术，更多时候可能是同时升级，否则长期来看，你很难维持自己在市场上的竞争力。

我想到一句古文，很多人引用过：“周虽旧邦，其命维新”。意思是，像周朝这样历史悠久的邦国，它的使命也是不断创新。我觉得这个道理同样适用于我们。无论是从历史进程、国家发展、企业运营，还是到我们很具体的量化投资领域，都需要策略的不断迭代。我们必须保持开放的视角，吸收不同领域的思想和金融理论。

比如行为金融学，其实出现的时间并不长，但现在已经广泛应用到很多人的投资实践中，无论是主观投资还是量化投资，定性与定量分析中都有它的身影。

魏衡：明白，所谓创新，底层是不变的方法论和驱动力，而具体应用的形式和方法会根据市场变化而做调整。之前你提到两个驱动力，逻辑演绎和数据归纳。

我们先聊聊数据归纳，我理解其实只要做投资，都会做数据归纳，只是层次不同而已。比如有人说，“A股以前不会连续三年上涨，现在已经涨了两年了，那第三年可能就不会涨了。”这其实也算很初级的数据归纳。再比如，“跌了这么久，应该跌不动了”——从方法论角度看，这也是一种归纳。

但很明显，这种归纳很容易得出错误的结论。虽然算是一种数据归纳，但和量化投资里专业层面的数据归纳还是有很大差距的。做量化投资，真正要做好数据归纳，动作要点是什么？

赵建：说到量化投资，我觉得首先是对数据的要求。数据归纳的前提是你输入的数据本身。你对数据必须非常讲究，要经过严格的筛选，甚至大量加工处理。IT领域有句名言，“Garbage in, garbage out”，直译是“垃圾进，垃圾出”，意思是说，如果将错误的、无意义的数据输入计算机系统，计算机自然也一定会输出错误、无意义的结果。

如果一开始你的数据就是有问题的，或者数据关注的方向就是错的，你基于这些低质量数据做再多的归纳统计也是无效的，而且如果你基于这些数据，通过大量加工，得到一个看起来挺完美的结论，往往会带来风险。

举个例子，《三体》里的火鸡理论，火鸡们每天在固定时间被喂食，火鸡科学家通过观察这个数据，认为固定时间有人供应食物就是规律，然后就到感恩节了。这里火鸡分析的数据就是短期的、片面的，它应该要去寻找的数据是过去几年，农场里火鸡数量的变化曲线，这样就能看到这根曲线每年在感恩节的时候会出现大幅下滑，这才是真实有效的数据归纳。

魏衡：对于普通投资者来说，这里可能就会有困惑：如何判断数据质量呢？如果数据本身是错的，比如某个数据源统计的过往行情，结果把行情走势都给标错了，这种只需要交叉对比一下就能识别，这肯定是低质量数据，不应该采纳。

但市场上其实存在很多角度，不同时期的大量数据，这些数据本身都是正确的，我理解这些正确数据之间，仍然会有质量高低的差异，这种情况下，高质量和低质量的边界在哪里？

赵建：这个问题展开讲比较复杂，我说一个简单的思路：用相对权威的供应商提供的数据。所谓权威，可能是大型机构或者有影响力的机构，也可能是使用的人很多，因为用的人够多，就相当于市场已经用行动投票认可这个数据。

这里需要注意的是，数据分成原始数据和加工过的数据。如果你只需要原始数据，自己做加工，只要数据供应商可靠，用哪家都差不多；但实际上，为了节省时间提高效率，很多时候我们需要的是供应商加工后的数据，这里你就需要确认不同供应商是否有不同的加工方式，这家的加工方式是否符合你的逻辑，并且你还要验证这样的加工后的数据是否能有效利用。

举个例子，投资者应该听过“一致预期”，卖方分析师们对某家公司的收入、盈利或者某个宏观经济数据各自做出预测，然后数据供应商对这些预测数据做加工，得到一致预期指标。

这里的原始数据是很多个预测值，该怎么加工呢？

全部求和再除以人数，这叫算术平均；从大到小排好队，选最中间的数据，这叫中位数。这两个算法出来的数字可能就是不同的。又或者，加工的时候需不需要去掉最低值和最高值，避免个别极端数据影响结果；分析师之间过往的预测准确率不同，是不是应该在加工的时候，给预测更准的分析师更高权重，这个权重又该给到多少合适？

魏衡：以前光是看一致预期指标的数字是多少，原来这背后的数据加工还有门道，在这个例子里，怎样的数据加工方式是更好的？

赵建：这里没有绝对的好与坏，关键是要看你认可的加工逻辑是什么，以及什么样的加工方式出来的数据对你后续利用是更有用的。

我打个比方，这就像是炒菜，数据就是食材，加工就是烹饪过程，每个人的口味不同，所以不存在绝对意义上“最好吃”的菜。但如果食材是有问题的，比如肉是馊的，蔬菜没洗净还带泥，肯定炒不出好吃的菜。同理，原始数据的真实可靠、格式合理且经过必要清洗，这是最基本的底线。只要食材本身没问题，加工手法和口味就见仁见智了。

另外，对于我们策略执行中需要的关键数据或高频数据，我们通常倾向于自行加工，而不依赖“预制菜”。原因是：如果你不了解供应商的数据加工逻辑，一旦在后续处理时出问题，追溯起来会非常麻烦。

比如你想研究某个品种的长期行情走势，需要把它加工成5分钟K线数据。如果直接使用供应商提供的数据，就要清楚它的聚合逻辑，比如时间窗口是如何切分的、遇到停牌时如何处理？再比如价格数据遇到除权除息，如果在合并多日数据时不做复权处理，就会出现价格跳跃、数据不可比。又比如公司出现股本稀释，如果成交量或换手率不做归一处理，量价之间的关系也会失真。

魏衡：这样说起来，我记得十多年前，行情软件默认是不做复权的，每次除权除息之后，K线图上就会看到股价直接跳空往下掉一大截，因此当年还流行过“填权行情”的说法，老股民应该都还记得。而这几年，大部分行情软件默认做了前复权处理，K线图上除权除息后已看不出异动，“填权”这个词也慢慢淡出了投资者视野。

赵建：这是一个比较直观的例子。再比如股指期货，很多行情软件里我们看到的是所谓“连续合约”的走势图，看起来像是一条平滑延续的价格曲线。但实际上，期货合约是分月度的，每月合约到期后都会切换到下一个月的主力合约。

这意味着，虽然你看到的是一条“连续”的线，实际投资中却不可能获得这条线所描绘的完整收益路径。因为每次换月，合约间的价格、流动性、基差结构都有差异，而这条线并没有体现出真实的换仓成本。

魏衡：这条线表面上连贯，其实底层的结构在不断切换，是人为拼接起来的。

赵建：对，它只是看起来连续，实际每段的合约标的是不同的，切换过程中也没有计入换仓滑点或成本。如果你直接拿这条线来建模，容易误判策略的历史表现，甚至对未来形成误导。

连续合约的走势图，这个数据本身是真实的，如果你直接通过这个走势图来理解价格趋势，这是可行的，但如果你希望要把过往走势用在策略开发上面，你就必须对数据做加工，能不能意识到自己的数据需要进一步加工，有没有能力做进一步加工，这都是技术活儿。

数据加工之后还没结束，需要做验证。通过前面两步，我们得到了一组数据，即便数据来源是可靠的，加工逻辑是清晰的，但这不代表数据就肯定有效。我们需要把这组数据做验证，做调试，就好像写程序一样，写好了代码运行看看效果，出了Bug就改，我们会用不同的算法、不同的参数去验证这组数据的有效性。

魏衡：所以，高质量数据应该至少需要三个步骤：第一步应该是筛选高质量的数据源；第二步是按自己理解的逻辑对数据进行加工；第三步，是做回测或者小规模验证，看这个加工出来的数据是否对策略真正有用。

赵建：是的。这让我想起“按图索骥”的故事。伯乐擅长相马，他把千里马的特征总结成了一套量化标准。他的儿子拿着这套标准去找马，结果却找到了一只符合“标准”的蛤蟆。

这个故事对我们做数据加工就是很好的警示。我们在加工数据时，定义的那些指标、变换，就像伯乐总结出来的口诀。关键在于，我们提炼出来的特征、加工后的数据，是否还能准确反映原始数据的本质？不能为了追求“完美”的数据形态或指标，反而扭曲或丢失了核心信息，最后找出来的是只“蛤蟆”——一个符合加工逻辑却毫无实际意义的结果。

所以，我们做数据加工，过程必须谨慎，确保信息的核心得以保留。而最后的验证环节，就是检验我们是否“找对了马”。我们用验证集，看基于加工后数据的模型或策略，跑出来的到底是马还是蛤蟆。

验证之后，还要用实盘数据来进一步检验，因为你即使通过了验证，也可能在无意中引入了一些错误信息，或者程序有问题，比如模型看到了未来的数据，或者跟训练数据太相似了，泛化能力弱等。

魏衡：说到未来数据，我想到一个很有趣的例子。我在网上看到过一个帖子，它说根据统计，只要每年都打包买入当年的金牛基金，收益会非常高，他还认认真真的去统计了相关基金的收益数据，做了清晰的回测曲线。

但是，今年的金牛基金，是在今年结束才会做评选，它能评为金牛，今年的收益当然是很好的。问题在于，你在今年初买基金的时候，怎么知道哪只基金会被评为金牛基金，这是明年才会有的未来数据。

赵建：是的，这就是后视镜效应。所以，一定要用样本外的数据和实盘数据做验证。甚至，当我们自己跑出来的模型，实盘数据验证表现也很好，我也不会马上就采用。我始终在内心提醒自己：这个模型表现好，是真的好？还是只是刚好匹配了近段时间的风格？是不是加工逻辑里有意无意的做了刻意优化？有没有尚未暴露的风险点？

不能看到表现好的，就盲目相信是真的好，要带着怀疑和质疑的态度去看它，持续跟踪，深度验证，经过了重重考验，我们才会认可它是真的好，也才会纳入我们的投资体系。

魏衡：明白，通过赵建总刚才对数据归纳这部分的阐述，投资者对于量化投资是如何筛选、处理和验证数据，有了更直观的理解。回到之前你提到的投资框架，底层是逻辑演绎和数据归纳互相验证和打磨，现在我们聊聊逻辑演绎这部分。

我的理解是，逻辑演绎部分，和主动基金经理的投资方法论有很多重合之处。

赵建：是的，这部分重合度是挺高的。逻辑演绎的很多方法，都是基于传统的基本面分析框架。在这个框架下，我们可能会对某只股票或某类资产进行估值，或者通过收入、利润等指标等来判断它的成长性。如果收入和利润表现良好，理论上股价迟早会有所反映，这些判断逻辑实际上是偏基本面的，也是大家熟悉的价值投资理念。

另一方面，数据归纳出来的结论，我们也需要逻辑演绎去支撑。比如“涨多了会跌，跌多了会涨”，从数据归纳中可以很容易得到这个结论，这背后也是有逻辑支撑的。用投资理论说，这是均值回归的逻辑，用老子《道德经》来说，就是“反者道之动”的哲学。所以，这句话背后既有数据验证，也蕴含着周期性思维和价值投资逻辑，是一个多重支撑的结论。

再举个例子，技术分析常说“底部放量”，如果市场成交量在底部持续低迷，一旦出现放量上涨，有可能形成相对持续的行情，这句话是基于经验做出的模糊判断，基于这个思路，我们可以用详实的数据去验证，并且更清晰的界定，多长时间才算是“持续低迷”，成交量比之前增长多少才算是“放量”。同时，从逻辑演绎上，这也是说得通的。成交量低迷说明市场存量资金交易分歧小，而放量上涨，说明可能有看多的边际资金介入。

魏衡：现在我更理解为什么你说“逻辑演绎和数据归纳互相验证和打磨”，两者是相辅相成的。

既然这里是逻辑演绎和数据归纳两个维度，那自然形成四个象限：有逻辑有数据；有逻辑没数据；没逻辑有数据；没逻辑没数据。我理解，有逻辑支撑又有数据支撑，当然是最值得重视；而没逻辑没数据，自然是不值得重视的。

剩下两个象限感觉就比较纠结了，如果赵建总你来排序，你更重视哪种情况？

赵建：这两者里面，我更重视有数据验证的象限。即便是你的逻辑再完美，如果完全没有数据验证做支撑，我是不敢用的。如果数据归纳后，发现存在明显的周期性或可以被利用的规律，但我们无法理解这背后的逻辑，我会觉得遗憾并继续探索逻辑，同时我也得承认，没逻辑可能不是真的没逻辑，只是我的认知不够，现阶段还无法理解背后的逻辑。这种情况下，我们也可能会采用，只是权重不会特别高，同时也会对使用范围做界定。

借用资产配置里常用的“核心-卫星”组合，我们的投资体系其实也是包括两部分，核心部分是逻辑演绎和数据归纳互相验证，经过实盘长期打磨的策略；同时会有卫星的一部分，给一些新的、比较前沿的东西留有一块试验田。

比如借助AI大模型的策略，这几年在量化投资领域就是慢慢引入，这里其实是一个从半信半疑，到逐步接受、理解，再到使用的过程。在这个过程中，我们也通过理论学习和对背后逻辑的理解，不断积累信心和认知，从而推动整个过程的螺旋式上升。

魏衡：赵建总你刚才的象限排序，体现出来是数据实证比逻辑演绎更重要，我理解这不止是你的投资方法论，也是你的价值观。

赵建：是的，逻辑上来说，就算你反复修正自己的逻辑，推演过程也难免有不周全不严谨的瑕疵，而且你单靠逻辑也无法发现问题，逻辑始终是需要数据来验证的。换句话说，就是“眼见为实，耳听为虚”。这里的“耳听”类似于逻辑，“眼见”就是数据。

对于无法证伪或证实的投资观点，包括非权威渠道的新闻，我的态度都是——先打个大大的问号。

投资是在和风险打交道，就更加需要眼见为实的态度，这样才能做好风险管控。

魏衡：赵建总你是学数学的，工作中长期都在做深入思考，这都是需要逻辑和理性的领域。我身边接触到的理性思维很强的人，往往对自己的逻辑会有高度的自信，他们的口头禅是，“我早就算到了/这事儿肯定是XXX”

但我从你的阐述里，感觉你很明确的认为自己的逻辑认知是有边界的，你对边界以外有一种敬畏。

赵建：是的，你用的敬畏这个词很准确。我们对未知的世界，一方面要保持质疑，另一方面也要保持敬畏。

很多时候我们对一件事做逻辑推演，从因到果的链条很长，过程中只要有一个环节推导有点小问题，结果就会偏差很远，也就是我们常说的蝴蝶效应，蝴蝶扇动一下翅膀，最后那边就引发一场风暴。

而且，就算你的所有推导都是正确的，但不代表你的结论正确，因为你可能看错了主要矛盾。市场往往有多重驱动因素，你沿着一条逻辑线推导出看空的结论，在这条线上是完全正确的。但在这个阶段，影响市场的核心力量是另一个驱动因素，这条逻辑线指向看多的结论，最后市场就会上涨。也就是说，不同驱动因素的权重其实也很难分配。另外，市场上总会存在我们尚未意识到的变量，你也无法穷尽各类逻辑。

甚至，就算你的逻辑框架现在是完备的，可以指导你做出正确的决策。但时间拉长一点，这个框架的有效性可能就会改变，就像黄金，以前一般大家认为美元和美债利率等因素是核心驱动因素，但从这几年来看，全球央行配置黄金的需求和美元信用弱化逐渐成为更加重要的因素。那么，是否应该认为黄金的分析框架已经出现了定性变化，你用纯逻辑是无法证实或证伪的，你需要借助数据验证和量化分析，评估这个变化的进程以及后续影响。

魏衡：我想到你一开始说的中庸之道，我理解这不仅体现在投资策略的均衡上面，也体现你对逻辑、数据的理解和运用上面。 

赵建： 是的，你既要坚信人的主观能动性，相信通过科学的流程，可以借助数据和逻辑找到可以利用的市场规律；同时也要承认能动性的边界，世界是客观的，不会因为你付出的时间精力足够多，就一定能得到想要的结果。

《中庸》里说，“执其两端,用其中于民。”意思就是说，从两个对立面出发，找到两者之间合适的度，做量化投资也是在逻辑演绎和数据归纳之间找均衡的度。

魏衡：从旅游、读书到书法、围棋，能感受到赵建总你对传统文化的深厚情感，以及你是如何将这些跨界的智慧融入投资思考。访谈的最后，按照惯例，请你为投资者送上寄语。

赵建：我会送出“顺势而为”这四个字。

我们知道，投资理论中有强调顺势而为的，也有强调逆势而为的，这两者本身没有对错之分。但客观的说，对于普通投资者来说，逆势而为是更难做到的。

比如，同样是强调做左侧交易，专业投资者具备一定的信息优势，并且在交易操作时，做了仓位管理，甚至有对冲手段，他们是有风险控制措施的；而普通投资者在这方面的资源和能力相对有限，除非他们对市场判断非常精准，否则操作难度大，风险也挺高。

顺势而为，也是强调要抓住长趋势，就像过去曾经是房地产的时代，那个时期买房就是顺应趋势；而未来则可能是权益类资产的长线机会，如果认可这个趋势，就应该多配置权益。看准了长趋势，就不要频繁切换。今天一个主意，明天换个方向，这样是很难做好投资的。

魏衡：赵建总你的这个说法让我很有感触。我们平时经常传播投资大师的理念。站在大师的角度，他们会说“别人恐惧我贪婪，别人贪婪我恐惧”。但他们是大师，他们有能力驾驭更高阶的投资哲学。但如果投资者没有意识到，大师的逆向操作背后是一整套的风险机制，如果在没有风控的情况下去照抄台面上的大师作业，可能就会遭受巨大的风险乃至损失。

我理解这也体现了你前面说的敬畏之心，在市场面前，我们的认知能力是有限的，我们的理性状态是有边界的，这是你贯穿始终的投资理念。

赵建：对，我想到国学大师南怀瑾曾经讲过关于儒释道三家思想的区别。他说儒家讲究“不可为而为之”，就是说即使事情很难成功，也要去做，因为这是责任和使命的体现，有家国情怀；道家更强调顺势而为、无为而治；佛家则强调慈悲为怀，放下执着。

举个例子，洪水来了，儒家的做法就是跳下去抢险，即便危险仍然迎难而上，有担当、有使命感。从这个角度来说，在市场波动中，投资大师们或专业机构们有专业能力，有风控，风险承受能力更强，同时他们的一举一动也会影响大众对市场的信心。他们哪怕知道逆势布局有风险，但权衡下来，这是他们可以承受的风险，并且拉长时间看赢面是很大的，也能起到稳定市场信心的作用，他们就会“别人恐惧我贪婪”，敢于逆势在左侧布局。

如果说投资大师是有丰富经验和专业设备的救援队，普通人就只是略通水性的普通人，洪水来了如果跟着救援队直接往水里跳，非但救不了人，自己还需要被别人救援，反倒添乱了。这个时候就不妨借鉴道家顺势而为的理念。道家的做法是站在岸边观察水流规律，如果水流太猛，急也没用，不能硬扛，可以等到水流变缓了，系上安全绳，套上游泳圈再下水救援。对投资者来说，这就是顺势而为，并且基于自己的实际情况做仓位管理和分散配置。

佛家也不会选择硬扛，他们会在力所能及的范围救人，同时他们更重要的职责是心怀慈悲安抚受灾者，帮忙他们从灾难的冲击中走出心理创伤，接纳无法挽回的损失，重新走上人生之路。对投资者来说，佛家思想就是提醒自己关注内心，不管遇到什么样的市场波动，始终要保持良好的心态。投资本来是为了让生活更加幸福美好，如果因为投资变得焦虑、睡不着觉，这就本末倒置了。

在投资这件事上面，心态上应该学习道家或佛家的境界，顺势而为，放下执着，从长远视角出发，做好资产配置，长期来看是会有值得期待的回报的。正如孙子兵法说的，“先为不可胜，以待敌之可胜”。

魏衡：非常感谢赵建总的深入分享，这场访谈不止是探讨了量化投资的框架，更是结合传统文化和现代投资理论，从投资的底层心法给到我们深刻启发。