了解顶级量化机构的策略和表现,可以帮助我们理解行业标准和最佳实践。本文对比中国与全球头部量化机构的规模、核心策略与代表性事实。
数据截至 2026 年 6 月 · 作者：Wayland Zhang。中国私募管理规模为披露区间口径，全球机构为最新公开报道数据。
📖 本文是免费书《AI量化交易从0到1》的背景知识章节
从第 1 课开始系统学习 →
中国头部量化私募速览（规模为 2025 年末–2026 年一季度区间）：
| 机构 | 管理规模 | 核心策略 | 备注 |
|---|---|---|---|
| 明汯投资 | 800–900 亿元 | 多策略（指增、中性、CTA、宏观） | 规模居首，2026 年备案产品数全行业第一 |
| 衍复投资 | 约 760 亿元 | 指数增强（中低频） | 史上最快破百亿，多产品封盘控规模 |
| 九坤投资 | 700–800 亿元 | 指增、中性 + CTA，AI 驱动 | 与微软亚研院联合发表 Logic-RL 论文 |
| 幻方量化 | 700 亿元+ | 量化多头/指增（已退出中性） | DeepSeek 母公司，纯自营资金 |
| 世纪前沿资产 | 600–700 亿元 | 指增、中性 | 2025 年规模净增 300 亿+，增速第一 |
| 宽德投资 | 550–600 亿元 | 中频多线指增 + 中性 | 90 后实控人，2025 年初封盘控规模 |
| 灵均投资 | 500–600 亿元 | 指增、中性 | 2025 年百亿私募业绩总冠军（+73.5%） |
| 诚奇资产 | 450–550 亿元 | 中性（封盘）+ 指增 | 机器学习主导，高换手 |
| 黑翼资产 | 400–500 亿元 | 股票量化 + CTA 双轮 | CTA 见长，2025 年获香港 9 号牌 |
全球头部量化机构速览：
| 机构 | 类型 | AUM | 核心策略 | 代表性 |
|---|---|---|---|---|
| Renaissance Technologies | 对冲基金 | ~$920 亿（监管口径，2025-03） | 统计套利、HFT | Medallion 历史年化 66%（税前） |
| Bridgewater Associates | 对冲基金 | ~$920 亿（2025 末） | 全球宏观 | 净资产口径全球最大对冲基金 |
| D.E. Shaw | 对冲基金 | ~$850 亿（2025-12） | 量化多策略 | 贝索斯前东家，量化鼻祖 |
| Millennium Management | 对冲基金 | ~$835 亿（2026-01） | 多策略 | 极致风控 |
| Two Sigma | 对冲基金 | ~$700 亿（2025 末新高） | ML 驱动量化 | PhD 科学家为主 |
| Citadel | 对冲基金 | ~$670 亿（2026 初） | 多策略 + 做市 | 兼营 Citadel Securities |
| Jane Street | 专有交易 | —（自有资金） | ETF 套利、做市 | 2025 年交易净收入 $396 亿，华尔街纪录 |
一、中国头部量化私募排名
截至 2025 年底，中国百亿量化私募 55 家；2026 年以来快速扩容，4 月底已约 71 家（私募排排网口径）。管理规模 50 亿元以上的量化私募合计规模超 1.8 万亿元（2026 年一季度末），2025 年百亿量化平均收益约 33%。头部梯队的排位近两年变化很快——以下按最新规模区间排序。
1.1 第一梯队（700 亿元以上）
明汯投资（2014 年，裘慧明）——规模 800–900 亿元，居全行业首位。创始人裘慧明为宾大物理学博士，曾任职 Millennium。策略覆盖最全：指增、中性、CTA、宏观多策略，2026 年备案产品数全行业第一。不过 2026 年 3 月旗下宏观策略产品曾出现约 15% 的快速回撤——规模龙头也躲不开策略波动。
衍复投资（2019 年，高亢）——约 760 亿元。高亢出身 MIT、曾任职 Two Sigma，回国创业后做出"成立不到一年破百亿"的行业纪录。以中低频指数增强为绝对核心，常年用封盘控制规模——头部量化"管不过来就不收钱"的典型。
九坤投资（2012 年，王琛、姚齐聪）——700–800 亿元。两位创始人均出身 WorldQuant。AI 投入在国内量化中最重：自建"北溟"GPU 超算集群，设 AI Lab，2025 年与微软亚洲研究院联合发表 Logic-RL 论文，复现了 DeepSeek-R1 类的强化学习训练——方向是金融垂直领域大模型，而非通用 AGI。
幻方量化（2015/2016 年，梁文锋）——700 亿元以上，且为纯自营资金：数年前已停止接受外部申购，2023 年起未备案任何新产品。它就是 DeepSeek 的母公司/孵化方——自建"萤火"AI 训练平台，2023 年孵化出 DeepSeek。2024 年 10 月公告彻底退出市场中性策略，只做量化多头；2025 年收益 56.6%，被广泛解读为"DeepSeek 的弹药库"。
1.2 500 亿元梯队
世纪前沿资产（2015 年，陈家馨）——600–700 亿元，2025 年内规模净增超 300 亿元，是当年增长最快的头部量化，以低相关性策略和长周期定位著称。
宽德投资（2014 年，张大庆创立）——约 550–600 亿元。创始人 2023 年退休后由 90 后实控人徐御之执掌，中频多线指增见长，2025 年初因规模冲得太快主动发出封盘预警。
灵均投资（2014 年，蔡枚杰、马志宇）——500–600 亿元。2024 年 2 月 19 日开盘 1 分钟内程序化卖出 25.67 亿元，被沪深交易所限制交易 3 天并公开谴责，是程序化交易新规后首例落地处罚。此后暂停备案 15 个月整改，2025 年却以 73.5% 的平均收益拿下百亿私募业绩总冠军——一个完整的"事故、整改、回归"样本（更多模型失效案例见历史著名量化事故）。
诚奇资产（2013 年，何文奇）——约 450–550 亿元。创始人出身 Millennium，机器学习主导、双边年化换手 70–80 倍，中性产品线长期封盘。
黑翼资产（2014 年，陈泽浩、邹倚天）——约 400–500 亿元（不同口径有出入）。两位创始人相识于斯坦福，是业内少有的"股票量化 + CTA"双轮驱动，2025 年获香港 9 号牌照出海。
1.3 行业背景：监管重塑后的格局
理解中国量化的现状，绕不开 2023–2025 年的监管周期：
- 程序化交易监管细则 2025 年 7 月 7 日施行：高频交易认定标准为单账户每秒申报/撤单 ≥300 笔或全日 ≥20,000 笔，高频将收取差异化费用（详见程序化交易监管）
- DMA 去杠杆：杠杆上限 1:1、外部资金到期清退，行业 DMA 规模从峰值约 2,500 亿元压降至约 1,000–1,200 亿元
- 2024 年 10 月中性策略危机："924 行情"中股指期货大幅升水重创中性产品空头端，幻方借此彻底退出中性策略
- 2025 年 7 月：百亿量化私募数量史上首次超过百亿主观私募
中美市场的结构性差异（T+1、涨跌停、融券约束）决定了两边头部机构的策略形态完全不同，详见中美量化市场差异。
二、全球量化机构排名
（更深入的单家机构拆解，见头部量化机构案例。）
2.1 Renaissance Technologies (文艺复兴科技)
创始人:Jim Simons (数学家、密码学家)
旗舰基金:Medallion Fund
规模 (AUM):
- 核心管理规模: 约 920 亿美元 (监管口径，2025年3月 Form ADV)
- Medallion Fund (大奖章): 约 100-150 亿美元 (仅限内部员工，据广泛引用的估算)
- RIEF (外部机构基金): 约 200 亿美元 (2025年；较 2020 年初约 360 亿持续缩水，2025 年 10 月"量化地震"单月回撤 14.4%)
核心特点:
- 被誉为史上最成功的对冲基金
- Medallion 历史年化回报率约 66% (税前) / 39% (税后)
- 高度依赖数学模型、统计套利和 AI
- 大量使用替代数据源
- 极度保密,策略细节外界不得而知
策略类型:
- 统计套利
- 高频交易
- 多资产类别
- 市场中性 (Beta ≈ 0)
核心理念:市场中存在微小的可预测模式,通过大量交易和统计套利捕捉这些模式。
2.2 Two Sigma Investments
规模 (AUM):逾 700 亿美元 (截至2025年末，创历史新高；2025年1月约600亿)
核心特点:
- 使用机器学习和大数据分析
- 科学导向,团队以 PhD 为主
- 全球市场覆盖广
- 量化策略多元化
策略类型:
- 机器学习驱动的系统化交易
- 多策略 (股票、期货、外汇等)
- 中低频量化
技术栈:
- 大规模数据处理
- 分布式计算
- 自然语言处理 (新闻分析)
治理风波:创始人 Overdeck 与 Siegel 2024 年卸任联席 CEO 后进入仲裁，新任联席 CEO 之一已于 2026 年 3 月辞职——接班格局仍未尘埃落定。
2.3 Citadel (城堡投资)
创始人:Ken Griffin
规模 (AUM):
- 机构管理净资产 (Net AUM): 约 670 亿美元 (2026年初；2025年末向投资者返还约50亿美元利润后)
- 总管理资产 (Gross AUM): 约 4460 亿美元 (根据 Form ADV,含衍生品名义敞口)
核心特点:
- 多策略量化 + 做市商 (Citadel Securities)
- 高频交易和流动性提供领先
- 技术基础设施顶级
- 风险管理严格
业务线:
- Citadel Advisors: 多策略对冲基金
- Citadel Securities: 做市商和流动性提供商
策略类型:
- 量化股票
- 固定收益套利
- 大宗商品
- 高频做市
2.4 Jane Street
定位:专有交易公司 (Proprietary Trading Firm)
2025 年战绩:净交易收入 396 亿美元，超过摩根大通，创下华尔街单一机构纪录。
规模 (自有资金):13F证券持仓约 5000-6500+ 亿美元 (季度波动较大;2025年Q3约6570亿美元)
- 注:Jane Street 不管理外部资金,该数据为 SEC 13F 披露的交易头寸,非传统意义的 AUM。
核心特点:
- 高频/中频交易
- ETF 套利和期权定价专家
- 全球流动性提供商
- 2025 年 7 月因印度 SEBI 的指数操纵指控被短暂限制交易，缴存约 5.65 亿美元后恢复，上诉仍在进行中
策略类型:
- ETF 套利
- 期权做市
- 固定收益交易
- 全球流动性提供
技术栈:
- 高度依赖函数式编程 (OCaml)
- 概率思维和贝叶斯推理
- 低延迟交易系统
招聘特点:
- 重视数学、概率和编程能力
- 面试以概率题和市场微观结构问题著称
2.5 其他知名量化机构
| 机构 | 特点 | Net AUM (2025年末–2026年初) |
|---|---|---|
| Bridgewater Associates | 净资产口径全球最大,主动控规模;Pure Alpha 2025年+33% | ~$920 亿美元 |
| Millennium Management | 多策略之王, 极致风控 | ~$835 亿美元 (2026-01) |
| D.E. Shaw | 量化鼻祖, 贝索斯前东家;2025年旗舰+18.5% | ~$850 亿美元 |
| Balyasny (BAM) | 多策略, 强于商品与量化 | ~$330 亿美元 (2026-03) |
| Hudson River Trading (HRT) | HFT 顶级玩家 | (自有资金) |
| Point72 | 史蒂夫·科恩, 多策略(量化部门 Cubist) | ~$507 亿美元 (2026-04) |
三、核心概念解析
3.1 Alpha 与 Beta
Beta (β):
- 衡量投资组合相对于市场基准的系统性风险
- β = 1: 与市场同步波动
- β > 1: 波动更大(更激进)
- β < 1: 波动更小(更保守)
- β < 0: 负相关(极少数,如反向杠杆ETF)
- β ≈ 0: 市场中性 (Market Neutral),收益不随大盘波动。
Alpha (α):
- 超额收益,经过风险调整后超出"应得"的部分
CAPM 公式:
预期回报 = 无风险利率 + β × (市场回报 - 无风险利率)
Alpha = 实际回报 - 预期回报量化基金通过复杂的模型,旨在剥离 Beta (市场风险) 并捕获 Alpha (纯粹超额收益)。
- Alpha: 投资经理的独门秘籍,不随大盘涨跌的"真本事"。
- Beta: 市场的随波逐流。
💡 详细内容详见: Alpha 与 Beta
3.2 Sharpe 比率
定义:风险调整后的回报效率
公式:
Sharpe = (组合回报 - 无风险利率) / 组合波动率含义:每承担一单位风险,获得多少超额回报
典型值:
- 普通股票基金: 0.5-1.0
- 优秀对冲基金: 1.0-2.0
- Renaissance Medallion: 历史 Sharpe > 2.5 (极高)
Alpha vs Sharpe:
- Alpha 回答:"你比市场聪明多少?"
- Sharpe 回答:"你的整体风险回报比如何?"
示例:
| 基金 | 年化回报 | 波动率 | Sharpe | Alpha |
|---|---|---|---|---|
| A | 15% | 10% | 1.1 | +4% |
| B | 20% | 20% | 0.8 | +1% |
- 基金 B 赚得更多,但基金 A 风险调整后更优
- 基金 A 的 Alpha 更高,技能更强
四、量化机构的共同特点
4.1 人才结构
| 机构 | 主要招聘背景 |
|---|---|
| Renaissance | 数学家、物理学家、信号处理专家 |
| Two Sigma | 机器学习 PhD、数据科学家 |
| Citadel | 计算机科学、金融工程 |
| Jane Street | 数学、概率论、函数式编程 |
| 九坤/幻方 | 竞赛金牌、AI 研究员、物理/数学博士 |
共同点:
- 重视 STEM 背景
- 强调问题解决能力
- 编程能力必备
4.2 技术栈
共同技术特点:
- 低延迟交易系统
- 大规模数据处理
- 机器学习/统计模型
- 严格的风控系统
编程语言:
- Python (研究)
- C++ (生产系统)
- OCaml / Rust (特定场景)
4.3 策略特点
| 机构 | 主要策略 | 持仓周期 |
|---|---|---|
| Renaissance | 统计套利 | 秒-天 |
| Two Sigma | 多策略量化 | 天-月 |
| Citadel | 多策略 + 做市 | 秒-年 |
| Jane Street | 做市 + 套利 | 秒-天 |
共同点:
- 系统化决策,减少人为判断
- 严格的风控和仓位管理
- 高度自动化执行
五、专有交易公司 vs 对冲基金
5.1 核心区别
| 特性 | 专有交易公司 | 对冲基金 |
|---|---|---|
| 资金来源 | 自有资金 | 外部投资者 |
| AUM 披露 | 通常不公开 | 公开或半公开 |
| 收费结构 | 无管理费 | 2/20 结构 |
| 风险承担 | 完全自担 | 受托管理 |
| 代表机构 | Jane Street, HRT, 幻方(现状) | Renaissance, Two Sigma, 九坤 |
5.2 Jane Street 的特殊性
- 纯专有交易公司
- 使用自有资金进行交易
- 不承诺为外部投资者赚钱
- 策略可以更激进
- 技术栈独特 (OCaml)
六、从顶级机构学到的经验
6.1 技术原则
- 数据驱动:一切决策基于数据,而非直觉
- 系统化:可复制、可回测、可验证
- 风控优先:先控制风险,再追求收益
- 持续迭代:策略需要不断更新和优化
6.2 组织原则
- 重视人才:顶尖人才是核心竞争力
- 技术投入:大量投资基础设施
- 文化建设:崇尚科学和理性
- 保密性:核心策略高度保密
6.3 对个人量化交易者的启示
| 顶级机构做法 | 个人可借鉴 |
|---|---|
| 大规模数据处理 | 选择高质量数据源 |
| 低延迟系统 | 优化代码效率 |
| 多策略分散 | 不要 All In 单一策略 |
| 严格风控 | 设置止损和仓位限制 |
| 持续研究 | 保持学习,关注前沿 |
关键认知:
- 个人不可能在基础设施上竞争(如延迟、数据)
- 但可以在策略创意和执行纪律上学习
- 控制成本,提高资金效率
本书作者也在走这条路：正在构建的 Dnalyaw 是一个 AI 驱动的量化交易平台，本书里的很多工程取舍，都来自它从回测走向实盘的开发过程。
七、如何追踪这些机构
7.1 公开信息来源
| 来源 | 内容 |
|---|---|
| SEC 13F 文件 | 美股持仓(季度更新) |
| 机构官网 | 招聘信息、文化介绍 |
| 学术论文 | 部分研究人员发表论文 |
| 新闻报道 | 业绩、人事变动 |
| 中基协备案 | 中国私募规模区间、产品备案 |
7.2 非公开信息
- 核心策略细节高度保密
- 交易信号和模型不公开
- 只能通过招聘 JD 和论文推测方向
核心原则:顶级量化机构的成功来自系统化、纪律性和持续创新。个人量化交易者应学习其方法论和风控原则,而非盲目模仿其策略。记住:高 Alpha + 低 Beta 才是真正的"圣杯"。
用一个 AI agent 跑掉量化研究里的体力活：拉数据、跑回测脚本、生成报告。
AI researcher and serial founder. Building agent runtimes and quantitative trading systems.