作者：量化投资与机器学习

题图：量化投资与机器学习 微信公众号

前言

近日，QIML与 Ziang Fang 进行了一次深度交流。ZF 目前担任英仕曼集团（Man Group，以下简称“Man”）系统量化投资部中国策略负责人，同时也是Man的资深基金经理。

这次对话发生在一个值得关注的节点上。Man正在将旗下两大量化投资引擎 AHL 与 Numeric 进一步整合，成立一个统一的系统量化投资部门；与此同时，中国市场也开始成为 Man 更强力投入和推进的方向。

因此，这并不只是一场关于个人履新的谈话。围绕Man系统量化投资团队的整合、中国市场的下一步、量化研究体系以及 AI 在投研流程中的应用，ZF 谈到了 Man 量化业务正在发生的变化，也谈到这家全球资管机构希望如何更主动地参与中国市场。

从 AHL、Numeric 到系统量化投资部门

Man成立于 1783 年，目前是全球最大的上市对冲基金管理公司。截至 2026 年3 月 31 日，集团总资产管理规模已超过 2200 亿美元，其中量化投资业务管理规模为1384 亿美元。长期以来，量化投资一直是 Man最核心的业务板块之一。

从早年收购以系统化趋势跟随见长的 AHL，到 2014年收购量化选股领域的先行者 Numeric，Man在量化投资上的布局一直在持续推进。AHL 和 Numeric 也因此成为集团旗下两支最具代表性的量化投研力量：前者承袭了系统化宏观和跨资产能力，后者承袭了量化股票和研究驱动的选股体系。

过去很长一段时间里，AHL 和 Numeric 在集团内部保持着相对独立的投研体系，各自沿着不同的投资传统和研究路径发展。不过，随着交易、技术和基础设施层面的持续整合，两支团队近年来的合作其实已经在不断加深。直到 2025 年下半年，Man进一步将这种合作机制正式化，形成统一的系统量化投资部门。

在 ZF 看来，这次整合并不只是名称上的统一。“我们的目标，是在保留宏观和微观业务各自文化、投资流程和研究严谨性的同时，推动两支团队在研究和产品层面开展更多协作。市场正变得越来越复杂，获取 alpha 的难度也比以往任何时候都更高。这两支卓越团队之间的协同，将帮助我们为客户提供尽可能强的 alpha 能力。”

整合的意义，不止于一个新名字

如果说过去几年 Man 已经在交易、技术和基础设施层面不断推动协同，那么系统量化投资部门的形成，意味着这件事开始被正式放到一个统一框架里。

背后的逻辑并不复杂。市场正在变得更复杂，获取 alpha 的难度也比过去更高。无论是 AI 与机器学习的快速发展，另类数据的不断增加，还是交易执行时效的重要性上升，都需要量化机构在研发和平台建设上进行持续不断、更高程度的投入。

对 Man 来说，这种整合的意义，首先在于让 AHL 和 Numeric 两支长期独立发展的团队，能够在研究、数据、技术和产品层面形成更强协同；进一步看，它也意味着 Man 希望用一个更统一的量化投资部门，去承接原本分散在两支团队中的能力积累，并把这种积累转化为更广的研究覆盖、更多元的 alpha 来源，以及更高效的跨资产解决方案。

那什么变了？什么没变？

不变的，是两支团队各自最核心的东西：投资流程、投研人员、业绩组合口径、实盘业绩以及监管上的延续性，都不会因为系统量化部门的形成而改变。这次整合不是另起炉灶，更不是把原有体系打散重来，而是在原有基础上，把两条长期并行的业务线放进同一个组织框架里，“保留宏观和微观业务各自的文化、投资流程和研究严谨性”。

真正改变的，是两支团队彼此连接的方式。统一之后，AHL 和Numeric 将共享更一致的数据和技术平台，在研究上有更多交叉，在产品上有更完整的组合，在客户面前也会有更统一的界面。随之而来的，是更快的创新节奏，以及更强的协同能力，最终是为了“为客户提供尽可能强的 alpha 能力”。

为什么是中国，为什么是现在？

如果说一个统一的系统量化投资部门的成立，是 Man 量化业务在全球范围内一次更清晰的整合，那么中国市场，就是这次整合之后最重要的落点之一。

原因并不难理解。对 Man 来说，中国的吸引力从来不是单一维度的。它当然关乎市场规模，也关乎客户需求，但又远不止于此。中国拥有全球第二大经济体所支撑的资本市场，也拥有持续增长的资产管理需求；与此同时，本土私募行业在过去十多年里不断成熟，市场生态、机构能力和投资者需求都在发生变化。正因如此，Man 很早就开始在中国建立在岸业务，并将这里视作一个值得长期投入的市场，而不是一个简单需要覆盖的区域。

在 ZF 看来，中国市场的意义，首先在于它本身足够大，也足够复杂。规模意味着长期机会，复杂性则意味着真正有能力的管理人能够找到施展空间。对于一家长期深耕系统化投资的全球机构来说，这里不仅有广阔的商业前景，也有一个正在持续演进的本土资管生态。更重要的是，中国市场并不缺少人才。无论是量化研究、数据科学，还是工程和技术相关领域，中国都拥有极具吸引力的人才储备，尤其是在 STEM 相关学科上，这也是 Man 看重中国长期价值的重要原因之一。

但如果只有市场重要，这件事未必会在今天被强调。

之所以是现在，一个更现实的原因在于，Man 有条件用一个更统一的框架来参与中国市场。随着 AHL 与Numeric 的整合，过去分散在不同团队中的研究、产品和平台能力，开始能够以更完整的方式被组织起来。对中国业务来说，这意味着接下来不只是“讲清楚自己”，更是要把全球积累下来的经验、研究和能力，真正转化成在中国市场可落地的东西。

这种落地，首先会体现在团队上。对 Man 来说，最优先的事情之一，是继续扩充中国团队，建设更完整的本地投资能力。这不是短期动作，而是长期成功的基础。其次，是把中国在岸业务与集团全球平台之间的协同尽可能打通。Man 在全球市场、跨资产类别和系统量化投资上已经积累了接近四十年的经验，这些研究、技术和产品能力，本身就是中国业务最重要的资源来源之一。与此同时，中国资本市场也有自己独特的交易结构和研究逻辑，这意味着全球经验不能简单照搬，而必须和本地研究结合，形成真正适合中国市场的投资框架。

再往前一步，Man希望带到中国市场的，也不只是单一产品，而是一种更完整的解决方案能力。无论是产品结构设计，还是组合层面的定制化安排，统一后的系统量化投资部门都希望更灵活地回应客户的具体需求。做到这一点的前提，恰恰是统一平台本身：只有当研究、产品和客户界面被放到更一致的框架里，针对不同需求做更有创造性的组合设计，才真正有可能实现。

对今天的Man 来说，中国的重要性早已不需要证明；真正不同的是，系统量化投资部门让它第一次能够以一个更统一的框架，把这些能力真正组织起来。

ZF的新任命为何如此重要？

对 Man 这样的全球机构来说，中国业务要真正往前推进，难点从来不只是“是否重视中国”，而在于能不能把全球平台上已经成熟的研究、技术和基础设施能力，真正接到本地市场上。

过去将近十年里，他一直在 Man 内部担任不同的投资和研究角色，也因此和集团内部多个基础设施团队保持了紧密合作。与此同时，ZF 在集团的投资委员会层面也承担着更广泛的职责，需要对集团整体投研活动有更高层面的把握。这种经验带来的价值，不只是视野更全面，更在于他有机会持续接触和吸收不同市场中的经验与教训，并尽可能高效地把集团层面积累下来的研究成果，转化到中国市场的实际业务中。这种经历的价值，在中国业务进入新阶段之后变得更加明显：它让他不仅熟悉投资和研究本身，也熟悉一家全球量化机构如何在技术、数据、交易和运营层面真正运转起来。

另一条线索，则来自他对中国市场的长期关注。过去十年，ZF 一直在观察中国私募基金管理行业的演变。对他来说，中国市场的吸引力并不只在增长，也在变化本身：行业在成熟，需求在分化，市场结构也在不断调整。也正因为如此，他对这个机会的理解，并不是把一套现成的全球经验简单搬进来，而是希望把 Man 最好的研究、技术和创新能力，与中国市场的实际需求结合起来，最后落实到真正能够服务客户的产品上。

也正因为如此，ZF 将要承担的职能是——把集团多年发展的投资、研究能力，转化为中国市场上投资者需要的的产品。这个角色更接近一个推进者，而不只是一个管理者。

但对一家量化机构来说，组织和人员的变化最终还是要落到研究本身。团队如何协作，能力如何沉淀，经验如何跨市场迁移，产品又如何从研究中长出来，最后都离不开同一个问题：Man 的量化研究，到底是如何被组织和运转起来的。

拨开Man量化研究的面纱

一个想法，如何进入正式研究流程？

对很多外部观察者来说，量化机构最容易被看见的，往往是结果：策略表现、产品形态、管理规模，或者某个阶段特别突出的市场声音。真正不那么容易被看见的，是结果背后的研究体系——一个想法如何被提出，如何被验证，如何被否定，又如何最终进入组合。

在 Man，这套流程有着很强的纪律性。一个新的研究想法如果要进入正式的量化研究流程，通常都要经过严格而清晰的筛选。它不会因为“看起来有效”就被直接推进，而是要依次经历初步立项、第一阶段的初步探索、第二阶段的深入研究，最终再进入投资委员会的审核。对 Man 来说，一个信号能否成立，不能只靠统计结果说话，也不能只靠直觉判断。真正能够被批准的研究，必须同时具备扎实的经济逻辑和可靠的实证证据。目标不是去“挖”出尽可能多的因子，而是构建那些真正有把握、可以长期依赖的 alpha 信号。

这一点放到中国市场尤为重要。“中国市场还会继续演变，真正更有竞争力的，不会是单一来源的 alpha，而是一个更加多元、更加分散的 alpha 生成过程：既包括技术面，也包括基本面，还包括另类数据。在这样的市场里，研究体系的价值，不只是找到一个信号，而是持续扩展研究边界，同时保持足够严格的筛选标准。”

从alpha到组合，问题通常出在哪里？

当然，研究走到最后，最难的从来不是“找到一个想法”，而是把它真正变成可以投资、可以规模化、也可以持续转化为投资收益的能力。一个 alpha 想法从研究走向组合的过程中，最容易出问题的，往往并不是建模本身，而是后面的几个环节：过拟合、样本外失效、交易成本，以及容量约束。

“这些问题可以归结为同一件事——如何实现有效的收益转化。”对 Man 来说，目标不是让模型在历史数据里看起来尽可能漂亮，而是尽可能捕捉选股模型中的特质性 alpha，同时压低那些并不想要的暴露。尤其是在中国市场，一些风格因子——例如市值——本身就可能非常波动，如果不能妥善处理，原本属于选股能力的 alpha，很容易被其他非预期风险所稀释。

与此同时，容量管理也始终是组合建设中的关键问题。Man 在全球范围内长期管理大规模资产，这使得它在容量受限环境中如何组织策略和管理规模，形成了相对独特的经验优势。

整合之后，研究会发生什么变化？

而在 AHL 与 Numeric 被统一到 Man的系统量化投资部门之下之后，这套研究体系本身也会发生变化。ZF 的回答很直接：几乎所有环节都会受影响——数据、工具、模型、流程、组合构建，以及产品转化，都会出现更多协同。

但如果一定要说最先发生、也最容易被外界感知到的变化，那么很可能是产品转化。过去分散在不同团队中的系统化能力，如今被放到同一个统一框架之下，其直接结果，是 Man 可以用更完整的能力谱系去回应客户需求。对客户而言，这意味着不再只是看到某一条单独的能力线，而是看到一整套更完整的系统化投资能力如何被组织起来，并最终转化为更合适的解决方案。

AI进入研究流程之后，什么最重要？

如果说前面的部分主要仍然属于“传统”的量化研究问题，那么 AI 的加入，正在让这套体系面对新的机会和新的约束。

“AI 进入量化研究之后，最需要警惕的，不是‘会不会用’，而是如何避免只是把噪音和 p-hacking 变得更快。”AI 的价值当然存在，而且 Man 也很早就开始在研究中采用 AI。最初，它更多被用在 alpha 信号生成上；但随着能力不断扩展，AI 正在逐渐进入研究的更多环节，包括机器学习研究、风险建模、组合构建等。也就是说，在 Man 的框架里，AI 不是一个独立悬浮的概念，而是开始进入完整研究流程的一部分。

但也正因为如此，AI 的使用必须遵循研究纪律。它当然能够加快边界探索，加快信息处理和实验推进，也可能帮助研究员在更大的空间里寻找信号、测试假设、组织模型；可与此同时，它同样可能更快地放大噪音、伪相关和研究偏差。对 Man 来说，真正重要的，不是简单把 AI 接进流程，而是让它进入一个仍然可验证、可质疑、可复盘的研究体系里。“AI 会让研究跑得更快，但越是在这样的环境里，研究员的判断力、质疑能力，以及对经济逻辑和实证边界的把握，反而变得更重要。”

从这个意义上说，AI 并没有改变量化研究最根本的问题：一个想法为什么成立，它在什么条件下会失效，它是否能穿越不同市场阶段，它能否在真实交易和真实规模下被兑现。AI 只是让这些问题以更快的速度、更大的范围重新摆在研究者面前。而对 Man 这样一家长期强调研究流程和研究纪律的机构来说，这恰恰也是它希望在下一阶段继续建立优势的地方。

结语

回到这次对话本身，ZF 的新任命并不只是一个“Man 要在中国加大投入”的信号。更重要的是，随着 AHL 与 Numeric 被整合到一个统一的系统量化部门之下，Man 也开始能够用一个更统一的方式，去呈现自己的量化能力、研究体系和中国业务。

对市场来说，这或许也是重新认识 Man 的一个起点。过去，外界看到的更多是几个分散的子品牌；而现在，Man 希望被市场看到的，是一套完整有力的投资体系，囊括了系统量化部、主观部、投资解决方案部，这标志着它在中国市场即将开启的新篇章。