随着金融领域的改革不断深化，利率市场化、汇率市场化进程稳步推进，我国的量化投资市场在未来将继续增长。传统的投资主要通过基本面分析和技术分析来进行，但随着我国金融市场的不断完善，金融产品的不断创新，信息技术(特别是大数据、云计算)的发展、成熟和运用，未来基于互联网大数据来进行量化分析并进行投资将成为现实。比如，基于微博、微信等互联网平台的大数据，能够准确地分析出投资者的投资情绪，从而使得投资更加精准和有效。
在量化投资领域，金融与人工智能的结合将会是未来实现产业升级的重要突破点。人工智能与量化投资策略相融合能够解决目前量化投资策略中有效性存在疑问以及同质化现象严重等问题，能够改善量化投资领域的生态环境。人工智能与量化投资策略的结合从浅到深有三个层次：
第一层是浅层的语义识别、研究报告等应用，以智能投顾的方式对客户提供多个维度的咨询应用，将过往业绩、智能化程度、决策的核心能力通过人工智能展示给客户，帮助客户匹配与其风险偏好相适应的产品组合。
第二层是中等层次的量化模型生成，将资本市场环境中理性和非理性因素进行区分，通过历史数据和行情构建模型。
第三层是深层次的模型修正，基于量化模型，通过人工不断学习和解析，实时修正参数，从而实现规模化量化投资策略。人工智能量化投资策略是以量化为基础的，同时也兼顾用户体验，通过加工财务数据、行情数据甚至是宏观经济指标数据，建立数据库，再加上量化投资策略模型的算法，进而生成决策，突破传统的量化方式所体现出的桎梏，加速实现量化投资升级。
人工智能和量化投资在证券行业的应用将是未来的重大发展趋势。自2017年起，证券业务对信息技术的投入力度呈稳步增长之势，从投入金额方面来看，2020年全行业信息技术投入金额达262.87亿元，同比增长21.31%；从投入占比方面来看，2020年全行业信息技术投入占2019年度全行业营业收入的7.47%。人工智能和量化投资策略的应用越来越广泛，交易量占比将会进入一个持续提升的阶段，未来会有更加多元化的产品不断涌现，量化投资也将会呈现多样化发展的态势。与此同时，策略的复杂度、可靠性和交易工具的精细化也会不断提高。证券公司须明确自身的数字化转型目标，利用人工智能和量化投资技术，赋能企业投资管理；同时引进并培训相关技术人才，提升企业信息技术和创新能力，推动企业和行业共同进步。
本节将从证券自营投资业务、证券资产管理业务、证券投资咨询业务三方面开展发展趋势的研判。
(一)证券自营投资业务
1.业务前景明亮
随着人工智能技术的发展，以及量化投资在金融领域研究的深入，未来人工智能会在证券投资研究、投资策略、交易机会发现、交易执行、风险预测等方面都有很大的探索和发展空间，可能在证券市场规律发现、前沿市场微观结构理论提出、证券市场有效性逐步完善等方面作出巨大的贡献，甚至各二级市场投资中都将迅速发展。
2.技术优势明显、更新迅速
量化分析的手段在高频数据的分析上占有天然的优势，在大量数据面前，模型更容易发现数据间隐含的内在联系，给出有价值的信息。具体到投资上，依靠量化投资的信息处理能力，通过数据分析的方式能够高效的获取和处理各类信息，获得信息优势，为投资经理提供另一个视角的市场判断，可以作为现有投资框架下有益的补充；另一方面，依靠人工智能的深度学习能力，可以对资产的收益进行预测。
量化投资以数据、模型为研究手段，投资决策过程中主观因素较少，具有完整的研究－投资－交易－风控－归因体系，有利于证券公司的风险管控；另外，量化投资结合衍生品可以构建市场中性策略，整体上量化投资策略的收益波动和股票指数、利率的相关度比较低，是证券公司自有资金配置的优质资产，有利于降低证券公司的利润波动、维持经营稳定性。
人工智能迭代更新很快，需要持续跟踪最前沿的模型，充分利用模型强大的学习能力，将多模态数据，包括基本面数据，交易数据，舆情数据等很好地整合学习，来适应证券市场的变化。
对于固定收益市场，市场数据标准化程度越来越高，各类报价、成交数据提炼不断丰富增加，为大数据、人工智能、量化投资提供了丰富的资源和基础。
3.风险与发展并存，转型是关键
基于纯数据挖掘的人工智能模型是危险的，2019年世坤投资的巨大回撤就是一个警钟。但市场会优胜劣汰，留下真正具备技术、符合市场价值的投资者和量化模型。各类技术手段的变迁对自营业务的转型有一定的支撑作用，但决定自营业务发展的还是自身转型的力度。
量化投资前期的投入较大，需要建设数据、研究和交易平台，并且策略研发有一定的周期，一般需要维持团队稳定、持续进行策略迭代。证券公司自营资金来源稳定、受市场影响较小，有利于量化投资团队稳定运行。因此证券公司需要看清时代涌流，把握公司转型的机会。
(二)证券资产管理业务
1.发展前景可观
量化投资已经发展成为市场上相对比重较大的一个投资流派。目前无论是持牌机构还是其他投资者，量化投资在证券资产管理业务的应用已经成为必须掌握的一种基础性工具。在资产管理领域，人工智能技术受到的关注也越来越多，并且已经开始影响资产管理的诸多方面，例如，人工智能和量化投资可以更好地从海量历史数据中把握规律，为alpha主动管理、交易策略的构建等提供帮助，而这对券商资管业务的展开也起到了强大助力。
2.技术适应环境变化
随着我国经济实力的发展壮大，资本市场规模逐渐增长和走向成熟，基于人力判断、政策套利、信息不对称的事件套利等获取收益的传统投资方法会越来越难以取得高性价比的收益。但通过海量信息分析做出投资支持的人工智能和量化投资在证券资产管理业务中的应用会日益变强。
对比资产管理业务的其他投资类别来看，量化投资等技术具备一定的竞争力和合理性，在中国股票市场有较快的发展，同时也是一个相对竞争充分的领域。从市场参与者角度来看，是一个健康和基础的参与者，提供了流动性，丰富了市场结构。研发投入、技术进步会增加资产管理机构的核心竞争力。
在未来，资产管理业务的龙头机构一定会是把人工智能和量化投资放在重要核心地位、并不断进行研发和迭代成功营运于业务生产的优秀管理人。
3.行业需警惕风险
人工智能与量化投资均为解决问题的手段和方法，能够有效解决资产管理中的一些棘手问题。其科学性在于能够数量化得出结论，从定量的角度分析结果。
但量化技术也有自己的边界和局限性，投资者教育需要更加客观和理性地看待量化投资，同时也需要警惕所谓的量化头部效应，造成参与者结构失衡和市场波动等负面影响。
(三)证券投资咨询业务
1.大势所趋，愈发重要
随着人工智能技术的成熟，其应用范围也越来越广，证券投资咨询业务中使用人工智能及量化投资技术也是大势所趋。
参照美国证券市场的逐步发展成熟过程，市场趋向指数化和资产配置发展路径，机构投资者会占据越来越高的市场话语权，市场成熟度和有效性会进一步提升。因此，注重交易逻辑和交易纪律的量化投资工具将在投资咨询业务中扮演越来越重要的角色。
2.解放人力资源
随着中国资本市场的成熟，会有越来越多的大众、富裕投资者进入证券市场，对基础投资咨询服务的需求将呈现指数级增长。光靠人力按传统的方式进行人工投顾服务难以及时、准确、高效、全面地覆盖和满足投资者群体的各类投资需求。而人工智能在投资咨询业务方面具备低门槛、低费率、易操作、高透明、分散化、个性化、长期投资、业务范围广等天然优势，借助人工智能的技术，有利于匹配与服务不同风险偏好，不同风格偏好的客户群体，极大地拓宽投顾专业服务的边界，让投资顾问能聚焦服务核心客户和专注专业度及客户有温度的陪伴。
虽然短期内还需要人工投顾的加持协同。但毫无疑问，人工智能及量化投资技术的应用是潜力巨大的。
3.发展空间广阔
随着居民理财需求加速积累，互联网金融完成投资者的初步导流，为智能投顾发展提供优质土壤。国内互联网创业团队以及银行等金融机构相继入局，行业发展方兴未艾，根据《人工智能和量化投资在证券投资、投资咨询和基金代销业务的应用和规范的调查问卷(2021)》的调查结果，65%的受访公司未在证券投资咨询业务领域投用人工智能和量化投资技术，后续应用空间巨大。从技术落地的速度和应用场景的扩大都在进一步提高。参考海外的历史经验，人工智能在基金投顾的领域的应用可能进一步提升，服务质量优化智能投顾工具可以向投资者提供标准、一致化的投顾服务，还能提供更加符合实时市场行情的投顾建议。
四、困难风险与对策建议
(一)数据风险
数据可以称为人工智能和量化投资模型的基石，是这台“机器”的燃料。
1.数据陷阱
我国信用环境尚不健全，信用录入数据不完整甚至不真实，难以保证人工智能技术模型不会受到错误数据的误导。
由于量化投资对数据的依赖性较强，而量化投资数据同时具备较强的历史性特征，导致量化投资的安全性有所降低。尤其身处当下信息技术高速发展的时代，随着大数据技术的应用范围愈发广泛，量化投资的数据量不断扩充，加大了精准分辨数据真实性及有效性的难度。而一旦建模过程中运用到虚假或无效数据，将导致分析结果产生较大的偏差，影响投资者收益。据调查统计，在资本市场量化投资的各类风险中，以数据陷阱风险最为高发。
2.未来数据
构建人工智能和量化投资模型时，数据相关的风险主要是为未来数据相关的风险。数据日期的更新日期与使用的时间戳是否一致，预测所使用的数据和所预测的收益数据，要存在严格的时间先后关系。同时要检查数据源是否存在未来更改的情况。对于很多数据，存在事后调整的情况，对于事后调整的时间和使用的时间戳要一致。切不可用到未来数据，使得模型在一开始就失去了可信性。
3.数据一致性
不同数据商，更新数据的规则存在一定差异。金融数据中，最简单的K线数据在不同的供应商那里也存在相应的微妙差别。训练所使用的数据与实盘交易所使用的数据要保证相同的供应商，使得数据在实盘环境种和训练环境保持一致。
未来数据与数据一致性问题，在某些高频模型种可能会以另一种形式出现，就是数据延迟问题。在模拟环境种，时间戳虽然没有出现问题，数据更新规则也没有问题。但是由于物理条件，数据在传输种存在滞后，导致客观上出现了未来数据。对于这种类型的策略要测试数据滞后的客观情况。
4.数据隐私风险
人工智能技术的运用需要基于大量真实的数据，如何妥善保护用户数据成为重中之重。随着云技术的发展及数据采集范围的扩大，可能会导致非公开信息被非法采集。这要求金融机构网络安全工作必须到位，否则受到黑客攻击时易发生信息技术风险。由于人工智能驱动的模型能够收集和分析更大体量的数据，数据和隐私风险也将随之增长。
(二)算法风险
一般的人工智能和量化投资模型，在算法方面一般可以分为一下几个步骤。特征工程，特征筛选，特征合成，组合优化管理。
1.特征工程
特征工程就是数据处理的的第一步，主要是规避一些金融时序相关的风险。一些典型的标准化，归一化，缺失值处理问题。需要考虑的首要问题就是，采用时间窗口来进行处理，切不可用到未来数据。譬如，缺失值补齐不可以简单粗暴的向前补齐，标准化的临界值不可以用全局值。这些问题比较好理解，但在使用过成中，不经意使用的情况也可能出现。属于必须规避的问题。
2.特征筛选
特征筛选的情况一般是模型的核心，各个模型之间无论出现什么问题，也很难判断是这个模型的特征，还是一个错误或者风险。但是一个基础的原则就是，特征筛选的过程中要合理的划分样本内和样本外。训练要严格保持样本内和样本外目标函数一致，且不可为了追求样本外或者整体结果优异，在选择过程中反复优化，出现了主观的一个看不见的目标函数。导致筛选主要特征时出现了不客观的情况。
3.特征合成
特征合成的因子，一般就是用来决策的主要因子。特征的有效性，虽然在特征筛选时规避了未来数据问题。但特征合成需要考虑可能出现的过拟合风险。有些特征合成方法，是比较和黑盒的方法，如果在合成特征时候，选择了全局数据统一合成与检验，那么就存在过拟合风险。
(三)策略风险
策略是量化模型的终极形态，这一部分与传统的风险息息相关。
1.风险暴露集中度
量化模型在投资时，可能出现的策略风险主要是，风格集中，行业集中等。对于股票策略可以考虑的模型是 barra、brison。对于债券模型可以考虑的是 campisi 模型。对于 CTA策略，可以计算板块集中度。对于各类策略，集中度风险出现的主要原因，有很多情况就是模型追求过高收益，忽略了风控。
2.模型失效风险
即便最优秀的人工智能模型，也很少可以永远适应市场的变化。对于实时变化的市场，模型失效风险随时存在。无论生产过程多么严格，一定要提前规范出模型失效的阈值。以防过分相信不可解释的模型。
3.模型成熟度风险
模型运行的时间，包括回测，模拟盘，实盘时间。运行的越久的模型成熟度越高。一个能稳定达到预期的模型是优秀的标准。但是理想如此，模型成熟度很多时候不仅仅取决于模型自身。硬件设备，人员稳定性，也是模型是否成熟的标准。满足基础的运行时间以后，再考核相应同类运行产品的硬件，环境等因素，这样可以综合客观的评价模型的成熟度。
4.模型缺少相关理论来支撑与弱可解释性
人工智能通过自我训练对数据建模，一些情况下其模型缺少相关理论解释来支撑。在特殊情况下，其模型可能偏离实际，做出错误判断。因此，在使用人工智能技术时，应当同时使用其他模型或技术进行辅助。人工智能或许可以帮助人类做出好的决策，但决策理由目前依然是一个“黑箱”。
5.在一些体量较小的市场产生流动性风险
当前环境下，基于人工智能进行的交易体量相对于市场规模并不大，但该技术的普及应用，很可能在一些体量较小的市场产生流动性风险。
6.模型建模流程不规范
特征选择风险：错误的特征构建的模型不能实现设想的效果。
模型过拟合风险：通常发生在一个算法过于复杂并缺乏合理假设时。在这种情况下它们无法从大量无关数据中(噪声)分辨出有用的相关性(信号)，而是识别出了「幽灵」参数或似是而非的相关性。
鲁棒性风险：不同数据环境或市场环境下的模型鲁棒性差。鲁棒性是机器学习模型的一项重要评价指标，主要用于检验模型在面对输入数据的微小变动时，是否依然能保持判断的准确性，也即模型面对一定变化时的表现是否稳定。鲁棒性的高低直接决定了机器学习模型的泛化能力。在研究领域中，许多模型只能在某一特定的数据集上呈现准确的结果，却不能在其他数据集上复刻同样优异的表现，这就是由于模型对新数据中的不同过于敏感，缺乏鲁棒性。
(四)知识产权与法律监管
1.知识产权
知识产权纠纷也很有可能增加，因为算法的所有权会导致企业和监管部门之间的摩擦。最后在人工智能出故障和编程错误的可能事件中，合同和诉讼风险也会涌现。
2.法律监管层面的冲击
随着人工智能在金融领域应用的不断深化，必然会导致金融行业运营模式与监管模式的变革，这就需要从立法层面建立与其相适应的法律法规体系。法律空白阶段：金融服务领域造成法律纠纷，增加监管与是非判定的难度。
(1)不同的配置理论配置出来的产品同质化严重。
(2)由于同一款智能代理的操作逻辑相似，那么这些账户虽然法律上是各自独立的、无关联的，但其实际操作可能表现为“一致行动人”的现象。因此，即使监管机构的大数据分析系统能够很灵敏地“捕捉”到这个现象，但是如何认定这种“英雄所见略同”式的行为，将是一个监管难题。责任主体的认定。如果个别研发人员，设计出一个恶意的智能代理，并被一些集合性质的基金所使用，就可能引发个别股票价格的异动。对于这样的违规行为，现有监管法规将难以界定责任主体。
(五)困难制约
在证券投资、投资咨询和基金代销业务应用人工智能和量化投资技术时，会面临多个方面的困难制约，触碰到多方面的难点、痛点及堵点。不同的投资策略遇到的问题与困难是不同的。
1.人才与技术资源方面
一方面，国内专业量化型人才储备不足，具有较好量化投资能力的人才通常会选择在资产管理机构或业务线任职，因为具备更加明确的发展前景和更有竞争力的薪酬待遇。人工智能和量化投资整个体系的搭建是需要投入大量的人力和物力的，以及需要持续的积累，应用效果也存在诸多不确定性。
根据相关统计显示，2020年我国金融机构信息技术总投入大概在1900多亿，其中银行业的信息技术投入占比过半，证券业信息技术投入占比只占13%，相比银行业差距不小。在技术人才方面，2020年底，证券行业信息技术人才占行业注册从业人员数量的4.3%，远低于国际一流投行水平。
以第一创业证券股份有限公司(下文简称一创)为例，截至2021年7月15日，一创的客户总数为160+万，其中开户客户数量为100+万；注册客户数量为100+万。仅从开户客户的数量上看，公司共近2000位客户经理(如果继续考虑客户经理中是否具有较强人工智能和量化投资的专业素养问题，那么人才短缺问题其实更加严峻)，平均而言一位客户经理要服务近500位客户，人工投顾服务覆盖面及其不足，从而需要大力提升人工智能和量化投资在证券投资咨询业务的应用，大力加强投顾人员专业素养的提升。
另一方面，量化投资在行业内目前有明显的头部效应，需警惕参与者结构失衡和恶性竞争等问题。量化技术本身是一个多样化和创新为主的领域，更多依赖于基础科学的创新发展，这个创新来源于众多量化投资和研究人员持续不断的努力，并不存在所谓的一家或多家独大的技术壁垒，造成不合理的垄断现象，过多的资源集中在某几个机构，将不利于行业整体发展。
2.制度与法规方面
一方面，部分监管规则未考虑到量化投资的业务特点，缺少合适的业务合规指引。在中国，人工智能和量化投资作为新兴事物，其存在的一些特有风险是之前法律难以顾全的。近年来，沪深交易所陆续出台了关于股票期权程序化交易管理及报备、可转换公司债券程序化交易报告工作的相关规定，但目前我国尚未对量化交易出台专门的监管规定。目前监管规则比较宏观，缺乏操作性强的细则来指导证券公司来指导和规范相关业务，导致证券公司对于相关监管规则的理解，执行力度，备案材料内容和格式差异都很大。尽管监管要求揭示人工智能和程序化交易模型类型，参数和相关风险，但是缺乏实际可操作的细则。
另一方面，行业监管部门和协会对于主要承担金融科技的部门和人员没有官方的专业资质证书或者牌照以及明确该资质或者牌照拥有的权力以及承担的责任和义务。因此，目前在人工智能和量化投资产品的研发、测试、评估、创设、审批、投资、代销等环节中，实际承担金融科技工作的部门和人员没有法定角色，没有实质权力规范其行为。目前相关业务的牌照要求，人员资质认证无法完全体现出持牌部门或者持证人有能力掌握人工智能或者量化投资这种技术专业性较强的投资策略。而人工智能或者量化投资策略实际研发部门没有法定角色以海外的美国为例，利用人工智能和量化投资新兴技术的智能投顾与传统投资顾问一样受到美国《1940年投资顾问法》的约束，并且必须在SEC(美国证券交易委员会)注册，统一受其监管。同时，获得了SEC颁布的投资顾问资格公司既可以为客户提供投资建议服务，也可以直接管理客户资产。在明确的法律依据和统一的监管之下，美国的人工智能和量化投资在证券投资咨询业务的应用相对较为规范。
对于量化投资策略的交易限制也是困难和制约之一。首先是日内回转交易被严格禁止，其次是关联交易以及白名单的限制，这就在很大程度上对量化交易进行了限制，券商资管开展日内T0策略研发上线完全不可能。
3.合规与风控方面
证券公司的风控和合规较为严格，人工智能和量化投资被认为是很复杂的东西、黑盒子，致使风控和合规有诸多担心、对人工智能和量化投资存疑。利用人工智能和量化投资技术进行金融创新充满了不确定性风险。比如重大风险事件的预防，在程序化下单交易时，风控措施如何嵌套到程序化交易过程中才不会出现问题？
传统风控对于与人工智能和量化投资策略的干涉使得客观的人工智能和量化投资策略出现主观而被动的策略调整。涉及人工智能策略的量化投资在开展过程中的困难和制约在于，目前资产管理业务所采用的配套交易系统、风险控制系统等可能无法支持高算力策略的模拟测试。
合规方面，根据资管新规，对于量化投资给予了较大豁免，投资经理在交易结束后需要准备繁杂的资料以备查验，如果是高频交易，这项工作将非常巨大。同时投行业务与自营业务以及研究部对外服务业务开展规模较大，在量化投资过程中由于要充分考虑和公司其他业务的协同，避免合规风险，因此在量化投资组合下单的过程中需要结合其他业务条线的计算耗时较长，导致无法在平台上实现时效较高的高频策略。同时由于其他业务产生许多关联证券无法进行买卖，对人工智能和量化投资的应用产生了较大的制约。部分公司采用事前事中事后相结合风控的手段，下单通过交易员进行复核，但人工智能和量化投资业务在执行效率环节上受到一定的影响，无法像类似一些顶级私募基金一样做到程序化交易。
因为涉及内容技术专业化程度高，合规和风控部可能无法实质上评估和验证模型是否满足合规和风控要求，主要是满足监管字面上的要求。
4.市场数据方面
固定收益的人工智能的主要困难是，债券市场报价渠道众多，数据标准化程度低，某些场景数据量不足，会引起机器学习的过拟合问题。量化投资主要困难也是数据量相对有限且分散，策略回测实施难度大。
在进行量化投资探索的过程中，遇到的主要问题是数据的质量和时间跨度的限制。受限于固定收益历史成交数据的质量不高，历史数据可以回溯的时间不长，部分公司投入了大量的时间在清洗相关的历史数据上。并且由于历史数据长度的限制，往往模型的可回测期相对较短，对于结果的应用需要更加警惕。
在测试过程中，券商通过仿真行情进行模拟实盘测试，并通过自家模拟撮合程序观测策略运行情况，很难模拟市场异常场景以及评估策略对交易所系统的影响。制约原因是券商无法完全模拟交易所系统运行的情况。
目前人工智能前沿领域的研究对于计算资源的要求非常高，需要投入大量的计算资源来支持新策略的落地，但行业普遍计算资源投入水平与顶尖水平还有一定距离，在一定程度上会影响到数据的挖掘和开发，乃至新策略的开发和落地。由于基础研究和数据限制等方面的原因，人工智能将难以独自应付整个复杂的金融市场，当遇到一些突发事件时，如地质灾害、监管变革和卖空禁令，人工智能系统可能将无法正确应对。
5.业务部门协作方面
现阶段智能投顾，智能资产管理，智能证券自营产品和策略需要挂靠在有投资顾问，投资主办人，投资经理等资质的业务部门人身上。但是投资顾问，投资主办，投资经理与人工智能或者量化策略的研发团队可能属于不同的部门或业务线。前者属于业务部门，对产品和策略负有法定责任和义务，但是可能无法对策略的决策逻辑，风险和绩效结果实质上负责。策略研发团队可能是信息技术中心等中后台技术研发部门。策略决策是由策略研发团队研发的人工智能或者量化模型而并非是某个持牌人做决定。随着金融科技的发展，业务和技术的边界越来越模糊。实际上越来越多的金融科技创新业务就是技术驱动的。按照当前的合规要求，信息技术中心等中后台研发部门的人员是不允许注册投资顾问，投资主办人等资质。事实上造成各部门权责利不对等的问题。
6.绩效评估方面
各类交易所和各个品种的交易规则、数据披露标准及格式、交易接口和品种各异，需要花费大量时间统一标准。行业内目前仍然大量缺乏人工智能和量化投资人才以及官方认证的评估人工智能或者量化投资策略有效性的软件或者平台。
证券自营投资业务作为一个绝对收益管理业务，对于短期的业绩考核使得人工智能和量化投资策略不易于开展。在资产管理业务方面，主要面临的困难和制约是监管部门对证券资管和私募基金在监管尺度上的不统一。监管部门在对待证券资管部门的时候显然要更加严格。对于代销或者通过FOF产品投资涉及人工智能或者量化类的证券投资基金，业务部门评委可能没有专业技术背景和官方的认证方法和工具来评估相关产品和策略的风险收益情况是否跟客户风险偏好和投资收益目标相匹配。信息技术中心部有可能协助评审，但是并不像合规和风控一样体现在正式的审批环节中。
量化投资策略存在通用的绩效指标，例如累计收益率、年化收益率、最大回撤率、夏普比率、胜率等，但是在指标的计算口径和方式上，不同的机构或管理人可能存在不同。量化投资策略的评估分析不仅要求内部评审人员对金融市场有深刻的理解，还要对信息技术和数量分析建模等技术知识有所了解，部分投资者、代销机构、策略评审人员专业背景可能存在不匹配。在评审产品时，评审人员可能会出于保守起见否决量化投资策略；或者只通过参考策略研发团队的知名度等方式来评审产品。
根据《人工智能和量化投资在证券投资、投资咨询和基金代销业务的应用和规范的调查问卷(2021)》的调查结果，部分证券公司缺少规范的量化策略绩效评估系统，或者系统的精细度不足，仅能进行粗粒度的策略回测，无法实现模拟撮合等功能，对量化策略的评测停留在起步阶段。量化投资策略模型具有保密性，量化策略开发者往往不愿提供，给策略评估验证提供一定难度。缺少一种简易、便捷的评估系统，让策略研发团队愿意接受，并提供不涉及策略内核逻辑的数据输入。
准备上线的量化策略缺乏实盘业绩作为参考，致使投资者、代销机构、策略评审人员态度比较保守，不利于产品的推广。新上线的量化策略产品可能短期表现优异，但可能长期的综合绩效表现并不稳定。策略研发团队选取绩效较好的回测周期做产品宣传也会带来以偏概全的过度宣传问题。量化投资策略与回测评估系统可能由同一团队开发，其生成的回测报告缺少权威性，缺少类似汽车行业中“中保研汽车技术研究院”的第三方评估机构。
(六)对策与建议：加强顶层设计、完善标准规范
1.健全和完善监管制度
建议监管机构完善相应的法律法规，确定监管机构及其职责以稳定人工智能和量化投资在中国的发展。为促进量化交易服务规范化、健康化发展，确保证券市场的良好运行与稳健发展，建议监管机构对量化交易出台专门的监管规定：
规范量化交易的应用，出台量化交易的相关监管措施，建立智能代理的投资和使用的注册备案制度。证券公司通过报备报批的方式，取得关于量化交易服务的资质：满足一定条件 (例如合规风控、信息技术、投研能力等要求)的证券公司可为满足一定条件的机构投资者与高净值个人提供量化交易服务。在实际操作中，对于完全不需要人工干预的智能代理，其研发者和使用人都需要在相关部门注册备案；而如果是集合性质的投资主体使用此类智能代理，则需要约定至少一个自然人或法人作为责任主体，纳入被监管对象。
(1)借鉴国外经验，引入沙箱监管机制
英国金融市场管理局于2016年推出“沙箱监管”政策。在“沙箱监管”政策中，金融企业可以面向一定的消费群体测试人工智能技术支持的金融产品，并在这一过程中实现对产品运营模式的完善。
①成立专门的责任机构，负责沙箱监管机制规则的制定与执行；
②合理确认试点地区，可以考虑在北京、上海、深圳等金融科技较为发达的地区进行率先试点，待工作机制与模式成熟后，逐步在全国范围内进行推广；
③注重与现有的金融监管体制的融合，不可生搬硬套，影响我国现有的金融监管体系；
④完善人工智能程序设计原则。
要设计完善的人工智能就必须先设定具有指导意义的设计原则，指导人工智能开发、设计、使用、管理、控制的整个过程。设计人员在开发和设计人工智能时，应根据一定的设计原则完善人工智能的功能，确保在人工智能处理信息发生歧义时或错误时，保留补救的机会，不让这种错误的影响扩大，并利用一切机会让人类介入，继而转变为由人类来做出选择。
⑤制定人工智能信息采集原则
有必要制定严格的人工智能信息采集准则，以保障信息采集合法性和不损害信息来源者的利益为前提，明确人工智能信息采集种类、强度，规范信息采集行为。
(2)保障监管原则
①公平交易原则
②定型监管原则
程序更新换代频率快，在监管指标界定上难以用量化方式划分，因而需要从定性的角度对不同量化交易进行界定。
③分类监管原则
针对不同性质、类型的量化交易机构，需要实行灵活的管理模式。
(3)监管机制：构建市场机构、交易所和清算部门三道风险防守线
在市场机构的风控部门、量化投资部门、计算机系统开发商和服务商方面。对计算机系统的开发商和服务商，应该设置一定的准入门槛。只有符合一定资质和技术水准的开发商和服务商才允许其开发设计高频交易系统。对使用高频交易的市场机构应该提出高标准的风控指标和要求，并借助系统自动实现，高频交易系统开发完毕后应经过严格的压力测试才能投入使用。
在证券交易所、期货交易所方面。在交易所的交易规则设置上，应借鉴海外成熟市场的经验，针对高频交易的准入机制、指令成交比例、容量、指令频率等作出一些限制。在交易所前端建立预警分析系统，一是针对异常的指令流(超大规模和超高频率)进行监控，二是针对市场大盘指数、沪深300指数、期货指数等进行监控，发现异常指数波动时，以及进行预警并反馈。各交易所应加强合作及数据共享，以便实时跟踪整个金融市场的交易和资金情况。
(4)监管模式：推行交易所、地方证监局、证监会“三位一体”监管
具体监管措施：交易所开发更先进的监控系统，进行跨市场违规预警，实时同步监控期现货市场、内外盘市场。
股票交易内外盘：
①内盘：以买入价成交的交易，成交数量统计加入内盘。
②外盘：以卖出价成交的交易，成交数量统计加入外盘。
设置订单最低存续时间。程序化交易可以自动将一个大单拆分成多笔小单，这些订单不一定都能成交。一些市场操纵者往往进行频繁申报、频繁撤单，以制造股票成交活跃的假象，吸引其他投资者跟进买入，从而达到操纵股价并牟利的目的。因此，建议规定订单在下单后的某个给定时间内(比如200毫秒)不允许撤单。
申报及报备：
①程序化交易者的身份信息；
②用于程序化交易的账户信息；
③程序化交易策略类型及简要说明；
④程序化交易的资金来源类型；
⑤程序化交易系统技术配置参数；
⑥程序化交易系统服务器所在地址；
⑦程序化交易系统的开发主体；
⑧联络人及联系方式。
规范量化投资流程，确立投资经理行为原则。量化投资业务主要由五方面组成，包括策略的开发研究、策略的决策、投资行为的实施、投资绩效报告以及投资资金管理。在资本市场量化投资业务的开展过程中，投资经理行为始终具有重要影响。因此，投资经理行为应始终遵循以下原则：首先，在风控处于可控范围的前提下，应遵循公司利益最大化原则。其次，应严格遵循市场上关于量化投资的相关规定以及公司的相关制度。
此外，投资经理自身应提高个人素质，服从公司的规章制度。而量化投资策略的具体措施应交由专业人员执行，严格按照量化投资策略的规定经营操作，并对策略的实施过程进行严格监控及实时分析。
交易所层面股票市场的预警和异常交易处置制度有待完善。出台有关法律法规授权监管部门对异常程序化交易和高频交易进行规制。
拓宽信息来源：二级市场公开信息比较全面，但一级市场数据以及另类数据信息仍存壁垒，未来如果金融数据进一步放开，将有大量的金融信息需要加工；除此之外，市场上还存在大量的新闻舆情、财经资讯报道，以及贴吧、论坛等投资者的声音，目前这些信息都没被利用起来。
关注新兴场景、新兴应用、新兴机构，关注增量市场。由于在国内金融领域人力资本相对廉价，同时金融市场规模也相对偏低，传统存量市场没有动力推动智能投研，而在增量市场上，人力的缓慢推进是无法抢占市场和满足需求的，必须借助机器提高效率。
建立赔付机制量化交易会造成普通投资者的损失，应当建立一套投资者赔付的机制。首先，监管部门应当完善相关的司法解释，通过明确法律法规来支持投资者对损失的索赔；其次，市场也应当建立相应的机制来应对此类突发状况。事实上，当前我国证监会已经设立了一个通过向证券公司收取风险保证金，来作为赔付金的投资者保护基金。由于量化交易存在着较大的可能，包括扰乱市场、损坏普通投资者利益，因而监管层可以探讨通过收取一定比例的交易费用，作为投资者保护基金进行赔付的可能性。此外，从法律制度上，应当有一套完善的认定需要该保护基金赔付投资者损失的标准和规则。
2.建立业界统一规则
各方面的问题致使对量化投资产品的绩效评估总体保守，对量化策略研发创新和代销经纪业务造成不利影响。因此行业急需一个操作简易且权威、公允的第三方评估服务，提供一个全面、完善的评估体系，生成规范、公正的评估意见。建立起完善的智能代理源代码公证制度。通过运用第三方公证机构的审核机制，建立起智能代理行为的预防体系，防止智能代理恶意破坏市场的行为发生。
3.加强风险控制
对量化交易可能带来的风险进行管控，控制量化交易规模，避免同类算法对市场产生的波动与影响，防范金融市场风险，在风险可测、可控、可承受的情况下，满足客户合理需求。采取风险控制措施防范可能存在的主要风险。
后记
金融科技与证券业加速融合，未来行业发展所需的各项技术将会更加专业，更加复杂。人工智能和量化投资的应用和规范将会帮助国内证券行业奠定良好的技术环境。
2021年6月，随着课题启动会的开展，课题小组正式启动了人工智能和量化投资在证券投资、投资咨询和基金代销业务的应用和规范课题项目，由中信证券股份有限公司信息技术中心人工智能团队负责人徐畅泽担任课题主持人，为课题方向的确定、大纲进行总体指导。参与单位有上海艾芒信息科技有限公司、联储证券有限责任公司、安信证券股份有限公司、深圳市财富趋势科技股份有限公司、深圳市金证科技股份有限公司。
课题工作经历确定研究大纲、划分分工范围、多方调研、提交初稿、报告汇总、修改定稿等重要阶段。各方专家皆是课题小组的主力，共同推动工作进展，互相借鉴学习，积极响应课题号召，保证了工作的有序展开，课题成果最终通过本报告汇总公开发布。团队成员保持紧密沟通，周期性对研究进度和已有报告内容进行讨论，并形成纪要或精要记录保存。形成汇总报告后，经过执行小组几位成员多次阅读修订，最终定稿。
在近半年的报告研究撰写过程中，金证归纳总结了AI在当前证券领域的部分应用场景，集中关注营销、投研和投顾3大领域，同时对人工智能和量化投资、智能投顾的领域可能存在的风险做出调研和判断，形成自己的观点；财富趋势提供并持续更新基金代销的评价指标；安信通过内部访谈调查，分析人工智能和量化投资技术的应用和实施过程中难点，通过回测策略来判定标准合理性，参与标准评定；联储完成模型风险管理总体框架，对存在的风险进行深度调查，结合自身项目梳理风险，并梳理了风险识别可能用到的算法。艾芒梳理国家支持或者规范人工智能和量化投资相关政策、文件、规划、指导意见并进行详细的解读，提出了宝贵的意见；中信分别对课题大纲中的发展阶段、趋势研判、整体现状、困难制约等部分进行报告撰写工作，同时开发量化策略绩效评估系统，帮助有关部门验证人工智能量化投资策略的有效性，并且对课题报告进行汇总。
课题小组撰写了针对课题方向的调查问卷并访谈了大量证券行业内公司，包括安信证券、渤海汇金资管、第一创业证券、东亚前海证券、国信证券、华泰联合证券、华鑫证券、汇丰前海证券、联储证券、平安证券、世纪证券、五矿证券、银河金汇资管、银泰证券、英大证券、长城证券、招商证券、中金财富、中山证券等。由衷地感谢他们作为人工智能和量化投资在证券行业应用的参与者、实践者、推动者、创造者，认真作答本次课题调查问卷，无私分享他们的丰富经验并提出专业意见。课题小组希望通过本次对人工智能和量化投资在证券行业应用的前瞻性研究，建立对于人工智能和量化投资技术发展趋势、人工智能和量化投资在证券行业应用的粗浅认知，并且向有关部门提供规范意见。未来，我们也将持续关注人工智能和量化投资在证券行业应有的新进展，为行业发展建言献策。
本课题涉及范围较大，所需人工智能和量化投资技术和证券行业专业知识较为广泛，由于课题组水平所限，本报告还存在一些不完善的地方，敬请批评指正，以便不断改进提高。