团队与策略架构
核心团队
深圳大风资产管理有限公司，2015年成立。总经理兼基金经理郭彬彬，北京大学微电子系，曾任职华为，2016年加入百亿私募深耕量化。CTA投研负责人谢立桔，2014年起连续12年正收益，长期国内外量化CTA投资研究与管理经验，投资风格谨慎稳健，专注量化CTA领域。股票投研负责人殷列群，曼彻斯特大学精算专业硕士，曾任券商资管量化股票研究，深度参与因子开发、模型搭建与风控管理。基金经理章程，莱斯大学电子工程硕士，曾任正瀛资产量化研究，深度学习方向多年积累。股票端核心团队在网络结构方向的研发积累已持续近十年。
CTA因子层与配置
融合量价、基本面、期限结构、另类等70+因子。动态配置短、中、长周期趋势跟踪与截面多空子策略。覆盖商品、股指、国债期货等50+品种。品种与周期双重分散，因子之间低相关。
商品平均持仓周期3到12天。股指与国债2到5天为主。商品占比85%，股指10%，国债5%。大类策略：趋势70%，截面30%（含基本面、期限结构、商品对冲）。多子策略平滑震荡行情磨损，捕捉各板块趋势行情。
周期配置演变
谢立桔2014—2019年偏短周期，依赖黑色、化工板块几个固定品种的长期波动延续性。2020年后市场板块轮动加快，品种数量增加，早期长期稳定的品种不再有长期波动延续性。短线策略对品种波动性要求高，需不停择品种，择品种本身对容错率要求高。从绩效长期稳定性看，反而加大中长线配置比例。
容量与分散度考量。国内80个品种，适合短线交易的品种池约20个，每年盈利好的不到10个。加上交易所开仓限制，短线策略的目标品种分散度实现困难。综合转向多周期配置同时中长线为主。中长线对品种波动要求低，产品整体容错率较好，有利于长期稳定性。
多周期预测的工程实现
问题定义
全市场多空优化框架下，模型理论上同时捕捉多头与空头收益。A股做空工具与交易机制存在明显限制，大量空头Alpha难以转化为投资收益。强化多头能力，又伴随Beta与Momentum暴露——指数上涨阶段组合受益明显，风格切换或指数走弱则承受额外回撤压力。
过去路径的失效
三种应对方式。择时调整仓位——时间序列预测稳定性普遍不足。外生风格模型预测Beta与风格暴露——风格本身变化难以稳定预测。直接接受长期Beta暴露——不解决多头预测力不足的核心问题。
核心路径
不依赖外部择时或风格判断。在Alpha生成体系内部，通过多周期预测方法提升多头预测能力本身。核心目标是让组合收益更多来自选股能力，而非额外风险暴露。
技术实现
传统模型聚焦单一时间截面，例如预测未来某一天或某个固定周期内的股票表现。单一时间点易受短期噪声干扰，逐日预测值之间缺乏可比性。
大风同时预测未来1至20天各时间维度的股票表现。逐日预测结果整合为Alpha Curve，输入自主设计的优化器。优化器综合考虑曲线整体形态，而非单点数值，最终形成投资组合。
从单一时点看A涨幅更突出，但从整个收益路径看B持续性更好，模型倾向选择B。本质区别——传统模型回答明天是否上涨，大风回答未来一段时间上涨路径是否稳定。这把判断重心从单点收益转向收益路径，从捕捉短期爆发转向挖掘具备延续性的Alpha。
数据融合难点
端到端体系的真正难点不在数据规模，而在处理不同数据源之间的信息密度差异。基本面数据更新频率低但结构相对稳定。高频交易数据更新快但噪声更高。简单同等对待所有数据输入模型，结果易被某一类数据主导。
因此，模型需要通过长期实验寻找不同数据源之间恰当的信息融合方式。网络结构设计、数据表达方式与中间特征提取方式需反复调整。这部分方向性积累已持续近十年。
相比传统因子研发模式，端到端体系在研发效率上的价值同样值得关注。已有模型的日常更新可通过较高程度自动化完成。研究人员精力集中在新模型结构与研究方向，而非依靠持续扩大人力投入维持因子迭代速度。
模型目标与优化器约束
模型预测的并非股票涨跌本身，也不是简单相对于指数的超额收益，而是剥离Barra风险因子暴露后的specific return。组合在实际运作中若呈现偏多头特征，由此产生的Beta暴露是持仓结果的自然体现，而非预测目标本身刻意追求的方向。
优化器将模型预测结果转化为实际持仓，综合考虑行业暴露、风格因子风险、流动性风险与组合集中度。规模、流动性、残差波动率因子被严格约束。在Alpha获取能力与风险控制力度之间寻求平衡。风险控制贯穿预测目标设定、组合构建到持仓管理全过程，是系统性设计而非被动施加的约束。
换手与信号生命周期
换手来源于对股票未来收益路径与风险收益比变化的持续评估，而非针对短期价格波动频繁交易。当个股的路径表现或风险收益比发生变化，组合相应调整。
Alpha信号通常不会瞬间失效，而是随市场环境变化呈渐进式衰减。这与趋势类策略中信号可能瞬间失效的特征有所不同。持续迭代能力是量化策略长期稳定运行的重要基础。
模型体系持续监测信号表现——预测能力变化、收益贡献变化、不同市场环境适应情况。已有模型的日常更新流程较高程度自动化。系统持续评估模型状态并触发相应信号替换。研究人员主要工作是对更新结果复核。
全新模型结构与研究方向探索，仍依赖研究人员经验积累与人工设计。数据结构、网络架构与训练方式的设计本身需要长期研究经验支撑。
参数优化建议与模型局限
可复用经验
一，预测目标从单点收益转向收益路径。组合对Beta与市场趋势的依赖随之降低，不必依靠额外风险暴露获取收益。
二，数据融合阶段为不同数据源设计差异化权重，避免单一数据主导。这是端到端体系区别于传统因子工程的关键设计点。
三，信号替换触发机制基于路径稳定性，而非短期IC衰减。渐进式衰减的特征要求持续监测而非阈值触发。
四，风险约束嵌入预测目标设定与优化器全流程。规模、流动性、残差波动率作为硬约束，而非后置过滤。
模型局限
一，全新架构探索无法完全自动化。数据结构、网络架构、训练方式的设计本身需要长期研究经验支撑。
二，多周期预测对算力与存储提出更高要求。Alpha Curve构建与逐日预测值整合的计算开销显著高于单截面预测。
三，路径稳定性在不同市场环境下的衰减速度需持续监测。端到端体系的失效模式与传统因子体系不同，缺乏成熟的可解释性框架。
四，短线策略容量天花板客观存在。国内80个品种中适合短线的约20个、盈利好的不到10个。多周期配置是对容量约束的工程回应，而非择时能力的提升。
五，多头端强化伴随Beta与Momentum暴露。市场风格切换或指数走弱时，组合回撤来源的拆解需要更精细的归因工具。