2026 前瞻:量化交易的下一阶段与另类资产的结构性机会

比推發佈於 2026-01-27更新於 2026-01-27

文章摘要

在经历了2025年的市场洗牌后,量化金融行业正面临转型。传统阿尔法收益逐渐衰减,新范式如大模型应用和另类资产成为机构竞争焦点。2025年公募量化规模快速增长,头部机构格局变化,高灵活性和快速策略迭代成为生存关键。择时策略重新受到重视,分域建模和大语言模型(如“Order as Token”概念)带来技术革命。另类资产中,加密货币市场因其高波动、低相关性和T+0特性成为量化机构的新蓝海,资金费率套利等策略表现突出。2026年行业将更注重动态配置、风险控制和低相关性资产组合,技术进化与资产多元化将成为核心策略。

作者:Max.s

原文标题:预见2026:量化交易的展望与如何配置另类资产


在经历了2024年的剧烈波动与2025年的深刻洗牌后,量化金融行业正站在一个新的十字路口。在上周的2025/2026中国量化投资跨年峰会上,华泰证券研究所策略首席兼金融工程首席何康博士发表了题为《量化行业2025趋势和2026展望》的深度演讲。这不仅是一份针对A股市场的策略报告,更是一份关于阿尔法(Alpha)如何在日益拥挤的市场中寻找新生存空间的战地手册。

对于身处Web3和传统金融交汇处的从业者而言,这份报告透露出一个清晰的信号:传统的阿尔法正在衰减,而新的范式 — — 无论是基于大模型的“Order as Token”,还是以加密货币为代表的另类资产 — — 正在成为机构投资者的必争之地。

以下是基于何康博士演讲内容的深度复盘与行业展望。

2025年对于量化行业而言,是“高景气”与“高波动”并存的一年。一个显著的数据变化是:证券类私募的存续规模虽然维持在高位,但公募量化的增长更为迅猛。截至2025年三季度,公募指增产品的规模已突破2000亿大关,其中主动量化规模达到1200亿。

这背后隐藏着一个有趣的结构性变化:榜一大哥换人了。

曾经的头部玩家格局被打破,博道、国金等机构凭借极其灵活的策略异军突起。在何博士的调研中这些业绩领跑的公募量化,本质上是“披着公募外衣的私募”。它们拥有极高的换手率,策略迭代速度惊人,甚至在日内回转(T+0)的使用上不输顶级私募。

这种现象揭示了2025年的生存法则:由于超额收益的获取难度指数级上升,只有极致的灵活性才能在红海中突围。 对于投资者而言,过去“选大牌、躺平”的配置逻辑已不再适用,必须通过更精细化的归因分析,识别出那些真正具备“敏捷开发”能力的管理者。

在过去五年,量化行业的主流叙事是“满仓选股”,通过选股端的Alpha来覆盖大盘的波动。然而,经历了2025年的市场教育后,“择时”重新回到了牌桌中心。何康博士将市场上的管理者分为ABCDE五类,其中最值得关注的是E类管理者 — — 基于逻辑规则(Logic-based)的择时者。不同于黑盒子的预测,这类策略构建了“If A then B”的显性逻辑链条。

分域建模(Sub-domain Modeling)的兴起。

随着市场有效性提升,全市场通用的因子越来越难以挖掘。顶级管理人开始采取“分而治之”的策略:将全市场股票切割为成长、周期、小盘、微盘等不同“域”,在每个域内单独训练模型。这就像是在Web3中,你不能用同一套逻辑去交易Bitcoin和链上Meme币 — — 它们的定价逻辑、流动性特征和参与者结构截然不同。通过分域建模,量化策略得以在局部市场中榨取更高的超额收益。

如果说分域建模是战术上的优化,那么大语言模型(LLM)的引入则是战略上的降维打击。何康博士提到了大模型在量化中的三种应用层级,其中最令人记忆深刻的是第三层:将金融交易视为一种语言,即“Order as Token”。

在传统NLP(自然语言处理)中,GPT预测的是下一个单词(Token);而在金融大模型中,输入的是过去一段时间的价格序列、成交量、订单流,模型预测的是下一个“价格Token”。这不仅是技术的迁移,更是思维方式的革命。

传统的量化模型往往是基于统计学的线性或非线性回归,而Transformer架构允许模型捕捉极长周期的依赖关系和复杂的非线性模式。想象一下,未来的交易并不是基于几个因子的线性加权,而是由一个预训练的金融大模型,像生成文本一样“生成”未来的价格路径。这与目前Crypto领域中基于Intent-centric(以意图为中心)的AI Agent交易逻辑有着异曲同工之妙 — — AI不再是辅助工具,而是直接的执行主体。

另类数据的蓝海:加密货币市场的机构化

当A股市场的超额收益被“卷”到极致时,聪明的资金开始通过收益互换(TRS)或离岸实体,将目光投向了相关性更低的另类市场。

相比于A股的T+1制度和涨跌停限制,加密市场具备7*24小时交易、T+0结算、高波动性和碎片化流动性等特征。对于拥有高频交易能力和风控模型的量化机构而言,这里简直是2015年之前的A股市场 — — 遍地是Alpha,且竞争格局尚未固化。

这里特别介绍一下资金费率套利(Funding Rate Arbitrage)策略,在加密市场的永续合约机制中,多空双方需要支付资金费来维持价格锚定。在牛市周期中,多头往往需要向空头支付高昂的费率。这创造了一种类固收的“市场中性策略”:买入现货,做空同等价值的永续合约,在对冲掉价格波动风险的同时,稳稳赚取资金费率。在这一领域,1Token 资金费率套利策略指数成为了行业的重要风向标。

据行业数据显示,该类策略在特定市场周期下的年化回报率远超传统固收产品,且与传统资产(股票、债券)的相关性极低。1Token作为专业的数字资产机构服务商,其构建的指数不仅反映了市场整体的套利空间,更体现了Crypto量化从“手工作坊”向“机构化、指数化”的演进。

对于传统金融从业者来说,关注1Token这类指数的意义在于:它提供了一个观察Web3流动性溢价的窗口。当资金费率长期维持高位,意味着市场情绪极度亢奋,是现货抛压的预警;反之,则可能是抄底的良机。

展望2026年,何康博士给出的关键词是“动态”与“反脆弱”。

从静态配置到动态博弈 过去做FOF(基金中的基金)或大类资产配置,往往设定一个静态权重(如60/40组合)。但在未来,必须引入动态调整机制。例如,当某一类策略(如微盘股指增)拥挤度过高时,由于同质化交易带来的“踩踏风险”,必须主动降低权重,哪怕其历史业绩再好。

产品的“气囊化” 经历过回撤的痛楚,投资者对下行风险的厌恶达到了顶峰。带有“气囊”、“雪球”结构的衍生品,以及通过期权进行保护的指增产品,将成为2026年的主流。这与DeFi结构化产品(Structured Products)的逻辑如出一辙 — — 通过牺牲一部分潜在的上涨收益,换取更高的确定性和本金保护。

寻找低相关性资产 无论是在A股内部寻找独立的Alpha,还是配置港股、美股乃至Crypto资产,核心目标都是降低组合的整体相关性。何康博士特别提到,虽然港股做纯Alpha很难(流动性差、做空工具贵),但作为多元化配置的一部分,其价值依然存在。而Crypto市场凭借其独特的驱动逻辑,将成为对冲传统金融风险的重要拼图。

何康博士的演讲,实际上揭示了金融工程的本质:在不确定性中寻找确定性的过程。

2025年的量化行业,传统的低垂果实已被摘尽。摆在从业者面前的只有两条路:要么在技术上死磕,利用大模型挖掘更深层的非线性规律;要么在资产端出海,去Crypto这样的一片蓝海中降维打击。

对于Web3的原住民而言,这也是一个警示:随着华泰证券这样的顶级机构开始深度研究并关注这一领域,正规军的入场只是时间问题。当传统的量化屠龙术应用于去中心化的交易市场,新的红利与新的残酷竞争将同步到来。

2026年,无论是TradFi还是Crypto,唯有进化者生存。


Twitter:https://twitter.com/BitpushNewsCN

比推 TG 交流群:https://t.me/BitPushCommunity

比推 TG 订阅: https://t.me/bitpush

原文链接:https://www.bitpush.news/articles/7605979

相關問答

Q根据何康博士的演讲,2025年量化行业的主要特征是什么?

A2025年量化行业的主要特征是“高景气”与“高波动”并存。证券类私募的存续规模维持高位,但公募量化增长更为迅猛,其中公募指增产品规模突破2000亿,主动量化规模达1200亿。头部玩家格局被打破,博道、国金等机构凭借高换手率和敏捷策略异军突起。

Q量化策略中的“分域建模”是什么?它如何帮助提升超额收益?

A分域建模(Sub-domain Modeling)是将全市场股票切割为成长、周期、小盘、微盘等不同“域”,在每个域内单独训练模型的策略。它通过针对不同市场局部的定价逻辑、流动性特征和参与者结构进行精细化建模,从而在局部市场中榨取更高的超额收益,类似于Web3中不同加密货币需用不同交易逻辑。

Q大语言模型(LLM)在量化交易中的第三层应用“Order as Token”是什么?

A“Order as Token”是将金融交易视为一种语言,输入过去的价格序列、成交量和订单流,模型预测下一个“价格Token”。这是一种思维方式的革命,利用Transformer架构捕捉极长周期依赖和复杂非线性模式,像生成文本一样“生成”未来价格路径,与Crypto领域AI Agent的以意图为中心交易逻辑异曲同工。

Q加密货币市场为何成为量化机构的新机会?资金费率套利策略如何运作?

A加密货币市场具备7*24小时交易、T+0结算、高波动性和碎片化流动性等特征,Alpha机会丰富且竞争未固化。资金费率套利策略是一种市场中性策略:在永续合约机制中,买入现货并做空等值永续合约,对冲价格波动风险,赚取多头向空头支付的资金费率,年化回报率常超传统固收产品,且与传统资产相关性低。

Q何康博士对2026年量化行业的关键展望是什么?投资者应如何调整策略?

A2026年的关键词是“动态”与“反脆弱”。投资者应从静态配置转向动态博弈,根据策略拥挤度主动调整权重;产品应“气囊化”,通过衍生品或期权保护下行风险;核心是寻找低相关性资产,如配置港股、美股或Crypto市场,以降低组合整体相关性,对冲传统金融风险。

你可能也喜歡

BTC“数字黄金”的叙事是不是失败了?

这篇文章从三个核心问题探讨了比特币的现状与未来,强调提供的是思考框架而非投资建议。 **如何看待比特币资产?** 作者认为比特币是一种全新的、更优秀的“黄金”资产。其优势在于总量恒定、转移便捷、交易可审计。尽管早期与灰色地带关联,但合规化是趋势。目前全球数字货币渗透率仅3%-4%,类比互联网和电商的早期阶段,意味着比特币仍处于发展初期,潜力巨大但波动性也极高。 **如何理解本轮下跌?** 比特币自2025年10月高点(近12.6万美元)持续下跌,2026年2月一度跌破6.1万美元,单日跌幅达15%,随后又快速反弹。这被解读为遵循四年减半周期的共识性获利了结。特别之处在于,美国比特币ETF的批准引入了机构资金,也促使早期低成本持有者(如矿工和信仰者)进行大规模“换手”,这是资产迈向主流化的必经过程。历史数据显示,比特币历次大跌的幅度在收窄(从93%到当前的约50%),表明资产正在成熟,波动率逐步下降,但高波动仍是其获取超额回报的固有特征。 **长期如何看待发展?** 长期价值可对标黄金。当前比特币市值仅为黄金市值的约7%,若“数字黄金”叙事实现一半,上行空间依然显著。但作者提醒,短期市场脆弱,换手可能未完,底部无法预测。真正的风险并非资产归零(概率较低),而在于错误的仓位管理(如All-in或加杠杆)以及对资产缺乏深刻理解。投资者必须计算并承受潜在的最大回撤(例如从已跌50%的位置再跌50%),才能存活至长期价值兑现。 文章最后以亚马逊在互联网泡沫后暴涨为例,指出关键不在于比特币未来是否上涨,而在于投资者能否通过理性的仓位管理和深度认知,扛过剧烈波动存活到那一天。文末提问引导读者反思:当前黄金涨、比特币跌的局面,究竟意味着“数字黄金”叙事失败,还是资产进化过程中的换手阵痛?这取决于每个人对比特币最底层的信仰。

marsbit5 小時前

BTC“数字黄金”的叙事是不是失败了?

marsbit5 小時前

BTC“数字黄金”的叙事是不是失败了?

标题:BTC“数字黄金”的叙事是不是失败了? 作者:@wuk_Bitcoin 本文从三个核心问题出发,探讨比特币的现状与未来。 **如何看待比特币?** 作者认为比特币是一种全新的、更优秀的“黄金”类资产。其优势在于:总量恒定(2100万枚);资产可转移性极强,在全球不确定性时代具备溢价;所有交易链上可审计,透明度高。反驳了比特币主要用于灰色地带的过时观点,指出其正走向合规。目前全球数字货币渗透率仅约3%-4%,类比互联网和电商早期,意味着该资产类别仍处早期,潜力与巨大波动并存。 **如何理解本轮下跌?** 比特币自2025年10月高点(近12.6万美元)持续下跌,2026年2月初曾单日暴跌15%,跌破6.1万美元。这被视为遵循其四年减半周期的规律性回调,是长期持有者在周期高点锁定利润的结果。本轮下跌的特殊性在于:美国比特币ETF的批准引入了大量机构新资金,但也促使成本极低的早期持有者(矿工、OG)进行历史性抛售,即从“早期信仰者”向“长期配置机构”的换手过程。历史数据显示,比特币历次大回撤的跌幅在逐步收窄(从93%到目前的约50%),表明资产在成熟,波动率在下降,但高波动仍是获取超额回报的代价。 **长期怎么看?** 若将比特币视为“数字黄金”,其当前总市值(约1.4万亿美元)仅为黄金总市值(约20万亿美元)的7%。即使该叙事仅部分实现,上行空间依然可观。但作者强调短期风险:换手可能未结束,市场脆弱,不排除进一步下跌。真正的风险不在于资产归零(概率极低),而在于错误的仓位管理(如All-in、加杠杆)和对资产缺乏深度理解,这可能导致投资者无法承受巨大波动而提前被迫出局。 **最后对比** 作者以亚马逊在互联网泡沫破裂后股价跌95%又最终上涨42倍为例,指出关键在于“活着等到那一天”。对于比特币,核心同样是能否通过理性仓位管理活到其价值兑现之时。文末提问:当黄金大涨而比特币大跌,这究竟是“数字黄金”叙事的失败,还是资产进化过程中的阵痛?答案取决于每个人对比特币最底层的信仰。

链捕手5 小時前

BTC“数字黄金”的叙事是不是失败了?

链捕手5 小時前

从代码到认知:机器人大脑进化的万字指南

本文概述了机器人大脑从传统代码控制到现代人工智能模型驱动的演进历程。文章首先回顾了前大型语言模型(LLM)时代,机器人依赖手工编码的模块化技术栈(感知、状态估计、规划、控制)和行为树,虽稳定但泛化能力差。随后,深度学习改进了感知,强化学习和模仿学习进入了控制层,但策略仍较为狭窄。 ChatGPT的出现带来了转折。LLM最初被用作自然语言编译器,将指令转化为机器人可执行的原子技能序列(如谷歌的SayCan)。但更重要的突破是视觉-语言-动作模型(VLA),例如谷歌的RT-2和开源的OpenVLA,它能将视觉、语言信息融合,直接输出动作指令,实现了推理与行动的耦合。 目前最先进的系统采用“双脑”架构(如Figure AI的Helix、NVIDIA GR00T):一个慢速、参数多的“系统2”负责高层次推理和规划;一个快速、小巧的“系统1”负责高频动作生成。其下还可能有一个“系统0”反射层处理平衡等底层控制。出于延迟和可靠性考虑,安全关键的控制回路通常在机器人本地(如NVIDIA Jetson模块)运行,而对话界面和集群学习等任务可交由云端。 开源模型(如OpenVLA、GR00T、π0)降低了行业门槛,让初创公司能在其基础上用自有数据微调。然而,当前VLA机器人仍存在任务中途恢复能力弱、样本效率低、缺乏物理常识和长期规划能力等局限。 这催生了下一代方向:世界模型。这类模型(如NVIDIA Cosmos、Meta V-JEPA)能根据当前状态和动作预测未来结果,让机器人在行动前进行模拟和评估,从而改善恢复能力、泛化能力和长期规划。架构上主要分为像素级视频扩散、联合嵌入预测架构(JEPA)和潜在动作世界模型等流派。 文章最后指出,数据采集(特别是远程操作数据)是核心竞争力,仿真训练至关重要,机器人成本正在迅速下降。当前物理AI的发展阶段大约相当于“GPT-2时代”,虽未完全自主,但正通过架构的持续演进(从代码到感知、规划、策略,最终到世界模型),朝着更通用、更强大的方向稳步前进。

marsbit6 小時前

从代码到认知:机器人大脑进化的万字指南

marsbit6 小時前

交易

現貨
合約
活动图片