雷鋒網AI金融評論消息，由開源社、TopGeek、匯智Tek聯合主辦的中國區塊鏈和金融創新科技峰會（FTCon2017）日前在上海舉行，現任上海均直資產管理有限公司投資經理的陳曉優進行了「擁抱開源，量化投資行業新趨勢」主題演講，指出在當前的金融市場中，商業軟體和機構自研已經較難滿足量化投資機構需求，而作為新趨勢的開源量化軟體能夠解決機構痛點，但也表示開源技術並不是盡善盡美，還有發展空間。
據雷鋒網AI金融評論了解，陳曉優是倫敦卡斯商學院金融工程學碩士，開發並維護了針對國內市場的量化交易系統框架vn.py，目前是國內用戶最多的金融投資開源項目之一（Github Star 2486），據不完全統計，已有數十家金融機構在實盤投資中使用。
以下是經過陳曉優確認的演講實錄，雷鋒網AI金融評論做了不改變原意的編輯。
今天我的主題是量化投資與新趨勢開源。量化投資在我國、世界的歷史都不是很長，美國八十年代出現使用計算機來炒股和炒期貨。接近2010年，國內才出現了比較正規的量化交易機構，而國內民間用電腦程式來量化分析行情走勢可能更早一些。當時的形式主要是面向個人和小型機構的商業軟體，早年投資者憑藉這些軟體可以就可以在市場上取得相當豐厚的收益，但到今天已經變得難以為繼，當前國內的量化投資領域正是開源項目大放光彩的時候。
先說說量化投資的幾個特點：
與傳統拍腦袋投資不同，量化投資使用數量分析方法尋找能夠實現穩定盈利的規律，通過採集歷史數據的時間序列並建模，尋找預測未來價格變動的方法。
量化投資一般由計算機驅動。尤其在今天市場上，股票數量眾多，行情以「秒」級變化，這種情況下不可能依靠人力繪製K線，分析開盤價、收盤價等信息，必須依靠計算機。理想狀態是在建好策略、模型後，計算機可以在輸入數據的基礎上自動處理後作出該買還是賣的決策，這有利於避免人帶來的不確定性。
量化交易通過高性能算法實現超高速的交易決策。美國最高可以達到納秒級別的響應速度。
關於量化投資行業現狀，我們從公募基金來看（因為私募基金不太願意公布數字，也無法統計），截止2016年11月，股票量化產品規模超過858億。截止2017年1月，公募主動量化產品三年平均回報超過了105%。
而經過2015年的股災之後，到今天能回本的投資者都算是高手。大部分人的基金回報只有50%，而用計算機管理的收益率至少是它的一倍。值得注意的是，這種產品還只是公募，比較高端的私募量化產品的收益可能會更高。
此外，量化FOF產品、智能投顧正在逐漸成為資產配置的新寵兒。目前大型金融機構如銀行、信託等機構等使用較多。更多理性的投資機構開始擁抱計算機，計算機能夠摒棄人的感情，以完全理性的決策態度幫助投資者獲益。
商業軟體與自主研發的痛點
國內量化投資是從商業軟體起步，初期可以滿足大家的需求，而在今天的市場中，完全使用商業軟體會有各種各樣的痛點。
首先是安全性方面的顧慮，一方面是模型的不安全，量化交易的核心模型或者說是交易策略必然存儲在某個平臺上，不論是某個商業平臺還是某個開源平臺、或者matlab裡的一些文件。這些文件可能只有幾K，但是帶來的價值可能是上千萬甚至上億。另一方面是數據的不安全性，有一些重要的商業機密例如持倉、渠道、客戶、資金來源如果放在商業平臺上，完全達不到足夠的安全性。
第二，不兼容。這是國內一些金融軟體服務商的缺點，想做大而全，吃下全部的業務，囊括數據、策略、交易等，但是每個公司精力有限，總有些並不擅長的業務。對於終端用戶來說，想要各個業務都獲得最好的解決方案，但是很多軟體要用就得用一套，用戶沒得選。
第三，迭代慢。這是一些大公司的弊病，對於新業務的支持反應速度比較慢，等大家都做了它才做。
商業軟體有諸多不適用的地方，那麼有一些量化機構就選擇完全自主研發，但這種模式也有不少痛點。
一，周期長，需要經過數據、回測、實盤階段。首先需要搞定數據，對於金融機構而言數據收集、維護成本很高；再者研發過程中需要不斷的測試，例如購買一些外面的解決方案。還有一個大問題是試錯，尤其在國內，軟體業務更新速度很快，誰能在開發過程中領先就能在競爭中佔據優勢地位。
二，成本高，包括人力、物力、試錯費用。首先你需要很厲害的CTO，但是能不能找到也是一個問題。再者是金錢，不論是人力成本，還是研發過程中的測試、或者半成品解決方案，都需要不少費用。此外還有最大的成本機會成本。國內量化行業發展非常快，如果你開發一個產品成功了那麼可以躺著賺錢。但是如果東西做不出來，不僅沉沒成本沒了，還只能推倒重來，再投入一遍成本。不過中國的市場競爭很激烈，賺錢機會越來越少，市場越來越有效，試錯成本也不斷攀上新高峰。
三，不穩定，一方面因為用戶少，另一方面，檢驗量化模型有沒有問題主要看實盤賺不賺錢，不上實盤無法檢驗某些BUG。而實盤檢驗出錯可能又踩入試錯的坑，需要推到再來。
作為新趨勢的開源軟體能夠解決機構痛點
所以這兩三年，量化投資領域湧現出很多開源軟體，開源有五點好處：
第一是開放的原始碼。大家可以看到程序對於數據的處理流程，不用擔心別人偷偷把我的投資策略上傳到他的伺服器上，從而削減我的獲益能力。開源後你做出來的東西就屬於你，除非內部人員管理出現問題，員工偷走了你的模型，否則能夠杜絕核心機密洩漏的風險。
第二，開源有著良好的架構，絕大部分開源項目在發起時都不是為了賺錢，主要追求之一是為了獲得更多的用戶，通常來說擴展性設計就會比較好，開源在擴展性與應用性的平衡會做得比很多商業軟體更好。很多商業軟體要麼就追求速度，要麼就追求應用，這兩個都會導致拓展性變差。而開放的架構有利於新業務的快速開發。
第三，開源意味著開放的設計。作為一個開源項目，我們總是假設用戶已經買過各種解決方案了，而開源項目也不會做全所有業務，那麼會預留需要跟其它系統對接的接口，開源項目可以有機整合此前的系統，提供易用、擴展性的產品，能促成效益最大化。
第四，許多開源量化軟體使用通用性較強的語言，比如Python、R等，這種開源項目有一個大的好處，就是一個平滑的學習曲線，而很多商業軟體要麼使用C++、Java等語言要麼自己設計一套語言，總之一旦用了該平臺，轉換成本就會很高。從它們角度來說，這是商業利益最大化，但是從用戶角度來說，長期成本太高了。目前商業軟體方案越來越被量化巨頭機構所拋棄。
第五，開源容易形成成熟的社區。開源提供交流、測試的場景，越多人參與其中測試、改進，系統也會越穩定。群策群力也能最快找到正確的發展方向。
上圖是開源軟體構建的一條量化交易工具鏈，分為幾個步驟：
首先是數據收集，國內比較有名的是tushare、windpy，後者是大型商業軟體公司萬得做出來的一個開源接口。
接著到了數據分析階段，NumPy用來存儲和處理大型矩陣；pandas解決時間序列；用Matplotlib來實現數據可視化。
第三階段是策略研究，IPython是一個交互式計算系統；Jupyter是最方便的策略研究工具之一；Zipline是一個策略回測框架，可以基於歷史數據對策略進行回測檢驗；RQalpha是國內公司開發的策略回測框架 。
實盤交易是整個生態鏈最後一環，vn.py 是基於python的開源交易平臺開發框架，easytrader適合個人投資者，是一個開源的股票量化交易組件，只要你有一個炒股軟體，就能用它直接做量化交易，at.py則是一位在開源領域耕耘多年的大神的作品。
這是一個Github前十名的量化開源統計，統計時間是2017.3.22。從這個榜單中可以發現，python語言佔了8位，此外，我們看到有很多策略回測框架，數據下載工具，還有比特幣策略模型。如果大家了解量化交易後想試試，可以看這些項目的原始碼，質量更高，用戶也更多。
開源的短板與解決方案
開源項目也存在短板，他們是被攻擊最多的地方，可以用一句話來概括——免費的才是最貴的，這意味著缺乏專業服務。不過解決方案也很簡單：
積極參與開源社區，培養技術團隊。從vn.py社區的一些經驗來說，絕大部分用戶是私募、券商等專業金融機構，這些機構希望自己的投資團隊並不只是擁有寫策略、做交易的能力，也希望在一定程度上擁有擴展平臺、開發新功能能力，那麼他們通常會加入到開源社區，先把自己的業務需求在框架上跑起來，後續再改進並使原來沒有跑起來的業務也能順利運行。此外，還會多多與社區眾人交流，看看這是否是最優解決方案。長期來看，對整個團隊戰鬥力會有非常大的提升。
獲取開源技術諮詢和培訓服務，可參考知名的開源解決方案供應商Redhat和Wordpress，這可能會成為國內一個趨勢。