年初小票的大幅回撤，导致很多量化私募突破了历史的最大回撤，而量化私募管理人在此次流动性危机下的不同应对措施和业绩表现，也使得此次极端行情成为了量化私募的分水岭。在此次行情中，回撤相对小、反弹力度大的管理人就凸显出来了。而其中就有我们接下来要介绍的量化管理人——宽德投资。

公司发展

宽德投资（WizardQuant）是国内领先的量化对冲基金，以其强大的投研团队和先进的技术实力在量化投资领域崭露头角。说起宽德的发展，到2024年已经是第十个年头。2013年，创始人冯鑫决定从华尔街回国，在国内建立研发中心，发展量化事业，而现任的执行事务合伙人徐御之则是宽德的第一位实习生。

2014年，宽德成立，以期货交易起步。2015-2016年，宽德在珠海建立41人团队，并在北京清华科技园建立研发中心，进入股指、商品期货、股票市场。

2017-2018年，宽德在深圳、成都多地发展，交易能力在业界崭露头角。

2019年开始，团队持续扩张，规模超百亿，研发部署第四代超低延迟交易系统，深入研究机器学习。

目前，宽德投资团队人数近200人，规模350亿左右，宽德未来的目标是立足国内，持续打造核心竞争力，优化策略线，进一步服务好国内的各类投资者；注重细节，完善合规风控体系，紧跟政策、严控风险，打造优质管理人；同时，发挥自身长处，吸引更多海外资金投入国内市场，促进资金流入，展示中国投资市场的蓬勃生机。

团队背景

目前，宽德的投研+IT团队近130人，其中投研团队50人左右，IT团队80人左右。宽德的投研团队汇集了来自不同背景和领域的顶尖人才，包括华尔街资深投资经理、高考省状元、海内外顶尖院校的优秀毕业生、奥赛国际金牌得主以及常春藤PhD等。这种多元化的团队构成为宽德投资带来了丰富的视角和创新思维。

宽德非常重视人才的培养和发展。公司内部不存在人才成长的“天花板”，即使是从实习生起步的成员，只要能力突出，也有机会被提拔为公司合伙人。同时，公司也为核心骨干提供了丰厚的股权激励，进一步激发团队的积极性和创造力。这种激励机制鼓励团队成员不断提升自身能力，为公司的发展做出更大的贡献。

目前，宽德已经形成了“华尔街老兵+少年英才”的人才梯队，核心人员主要有三位：冯鑫、徐御之和肖萌。

冯鑫博士，宽德投资联合创始人、上海宽德风控合规负责人，毕业于美国常春藤名校哥伦比亚大学，获统计学博士学位，本科毕业于中国科学技术大学。冯鑫博士拥有21年丰富的量化投资实战经验，在创立宽德投资前曾于SAC, BNP Paribas等美国一流投资机构任基金经理。

徐御之，宽德投资首席投资官。毕业于中国人民大学数学系，曾获得国家奖学金，并公派至加拿大滑铁卢大学进行高性能计算科研；他拥有11年中国金融市场一线量化交易经验，参与宽德投资的创建，主导研究团队的建设。

 肖萌，宽德投资首席技术官，拥有清华大学电子工程系硕士学位。肖萌对中国的股票、期货以及期权量化交易相关的技术内容极其熟悉，负责设计并领导开发了国内领先的超低延迟量化交易系统。他的研究兴趣包括：Linux操作系统的内核深度定制，高性能计算C++库，超低延迟网络传输协议设计和软件硬件同步设计技术，AI异构推理加速系统。

徐御之和肖萌都是宽德在成立初期从实习生中培养起来的，现已成为公司的核心骨干和股东。

截图来自：爱企查

宽德的IT团队也有超过10年的量化交易系统开发经验，自主开发了亚微秒级的超低延迟交易执行平台，这一平台能够快速响应市场变化，为量化交易提供强有力的技术支持。

投研协作方面，宽德实行扁平化管理，促进各部门之间高度协同合作，拥有开放、共享的沟通氛围。

投资理念方面，宽德始终坚持长期稳健的投资理念，致力于为客户提供持续、可持续的良好回报。公司坚持让研究走在管理规模前面，投研走在失效前面，模型走在市场前面，这种理念也使宽德在市场波动中保持了比较稳定的业绩。

投资策略

投资体系上，宽德采用精细化的研发生产流水线模式，将团队分为四个主要部分：大数据管理团队、因子团队、投资团队和交易算法团队。

每个团队都有明确的职责和目标。其中，大数据管理团队：负责数据的获取和预处理。大数据管理团队负责识别和获取海量可用数据，这些数据包括市场交易数据、公司财务报告、宏观经济指标、新闻事件、社交媒体情绪等。数据管理团队对海量数据经过清洗和预处理，去除噪声和不一致性，确保数据质量。目前，宽德购买了全球10万+品种行情数据库，还有1000余种另类数据源，自建高性能分布式时序数据库，持续优化存储交易数据，每日入库数据超过35TB。

因子团队：集中挖掘大量因子并建立模型。宽德坚持数理统计和机器学习二者有机结合的方法论，从预处理后的数据里挖掘大量因子，测算因子收益贡献，并进行因子叠加，用机器学习的方法不断训练多因子模型，以捕捉市场行为和股票价格的变动。

投资团队：负责构建投资组合和优化因子组合。投资团队设计交易信号，构建并持续优化因子组合，并进行策略叠加。投资团队还配有独立的策略测试团队来回测策略的历史胜率，以此保证策略有效性，避免策略出现过度拟合的情况。

交易算法团队：专注于优化交易执行和实时风控。利用中央优化器寻找最优解以进行超低成本极速交易，并构建亚微秒级别超低延迟异构策略交易执行平台。宽德交易系统实盘监控交易数据，防止出现暴露过大的情况，若发生异常情况，则会人工介入。

策略方面，宽德采用多因子选股模型，价量因子占比约70%-80%，基本面和另类因子占比约20%-30%。

从预测的信号频段来看，宽德采用的是多周期预测的模式。多频融合选股模型对各个信号频段进行预测，可以更好地提升策略的适应性。其中，第一类是日内的阿尔法信号，对一天之内的股价预测；第二类是短期跨日的阿尔法信号，预测一天以上、一周以内；第三类是长期跨日信号，预测1周以上的股价。平均来看，宽德的预测信号集中在一两天的频段。

在交易执行方面，宽德投资实行的是全天候交易，约5-15分钟的窗口时间会计算一次新的持仓，求出最优解，捕捉不同时间段的交易机会。

风控层面，宽德在事前、事中、事后都进行了缜密的设定。事前风控，宽德会根据投资者偏好、产品合同及波动预算设置定制化风控阈值。比如，控制单一股票、板块资金占比；流动性、杠杆比例、可用资金及敞口；barra风险因子暴露等。

目前，在指数增强策略方面，宽德一般持仓1200-2500只股票波动，行业偏离度控制在5%以内，风格敞口在0.3个标准差以内。量化选股策略，由于不对标某特定指数，放开了传统指增产品对指数风格的限制，持仓组合按照alpha高低全市场灵活调整，在保持分散度的同时力争最大化选股，因此在行业或者风格的控制会给予更大的自由度。

事中风控，宽德在盘中严密监控，并有自动报警的机制。数据会实时存储对账，不断从交易所查询盈亏匹配；也会实盘核查资金证券使用，避免报错单；监测挂撤单、成交的数量和速度；同时监控市场的异动。

事后风控，宽德会在盘后分析核对交易执行数据和风险敞口，如成交、持仓、资金核对；归因分析；barra因子暴露变动与市场走向反馈；确认有无异常交易行为等。

同时，宽德投资十分注重策略的迭代和技术创新，以适应市场的变化。在2023年3月，宽德上线了一个很完整的新的体系迭代升级。预测维度方面，策略增加了日内的预测，尤其是小时和分钟级别的预测，因此使整体预测能力以及稳定性都有很大的提升，近一年（2023/3/31~2024/3/29）超额周胜率已经提升到了80%左右。在市场快速轮动和结构化行情突出的背景下，宽德的量化指增策略展示出了自身的优势，在极端行情下依然交出了令人满意的答卷。

量化选股策略

回溯2015年至今，不同指数每年涨跌幅差异显著，大小盘风格切换频繁，板块资金快速轮动。指增产品由于对标单一指数，受与对标指数个股及行业的偏离度限制，无法根据市场情况灵活择时指数。

量化选股策略，由于不对标某特定指数，放开了传统指增产品对指数风格的限制，持仓组合按照alpha高低全市场灵活调整，在保持分散度的同时力争最大化选股，因此在行业或者风格的控制上会给予更大的自由度。

其次，由于指数成分适宜、对冲资源丰富等因素，中证500赛道聚集了大量市场中性及指数增强资金，一定程度上也会提升超额收益获取的难度，因此量化选股也在一定程度上避免了赛道拥挤。

为使保证策略可以一直保持有效性，宽德认为，一方面要保持策略获取纯超额的能力，做好风控，不要过度偏离某个行业或者风格；另一方面，要保持模型的持续迭代，保持量化团队的持续能力。

未来研究方向，宽德也会主要从两方面提升策略的有效性：一方面是丰富收益来源，另外一方面是丰富预测的频段。目前量化领域竞争越来越激烈，如果仅仅是擅长某一类因子或者某一个频段的预测，在多变的市场环境下可能会遇到不太适合的周期，这时候可能会出现回撤。除此之外，也会进一步强调的因子的可解释性，并将收益预测、风险预测，还有冲击成本三者结合起来，尽可能在各个细节做到精致，持续优化模型的预测能力和风险控制能力。

宽德量化选股策略自2022年3月以来，表现一直在同类策略中名列前茅，并且在不同时期依然可以紧跟市场的节奏。一方面，宽德在选股方面没有靠过度偏离小票来获取超额，另一方面，宽德利用自己的模型对选股的预测能力较强，在不同时期可以抓住不同时期的不同风格。

在2024年初量化策略的普遍回撤中，宽德量化选股策略在年初一周（2024/1/26-2024/2/2）的回撤后，也在其后的2周内快速反弹修复。宽德的做法是没有人工干预。由于一贯以来严格控制风格暴露，宽德并没有仓位过度集中在小票，因此整体的回撤在业内同类策略中算相对较小。2024/2/5那一周，宽德也在密切关注市场环境和模型的表现，并制定了相应的计划。但那一周的市场行情并未触及到宽德设置的干预阈值，因此没有过多的人工干预，并没有在那一周做选股范围的切换。

数据来自wind