锐天徐晓波｜量化嘉年华直播实录，干货满满
由crisvalentine创建，最终由qxiao 被浏览 82 用户
以下是直播实录
谢谢大家，今天非常荣幸能够参加量化投资与机器学习公众号的举办的这场量化活动。今天我分享的主题是《金融科技与量化交易的中国实践》。
首先，做一个简单的自我介绍。我从05年到09年在北大就读物理学，毕业之后去了美国，12-13年在Citadel从事美股高频交易，工作一年多后就从纽约回到中国，创立了锐天投资（以下简称：锐天）。锐天从2013年开始到现在已经走过了七个年头，也见证了中国资本市场在量化领域的发展。今天我就花一些时间跟大家做一个简单的分享，谈谈这个行业的现在过去以及未来。
首先简单介绍一下量化交易这个概念吧。其实量化交易是一个非常宽泛的概念，今天我们就挑几个大家所熟知的方向做一个简单的介绍，从大家平时听到较多的四种交易模式讲起吧。
第一种模式可能大家听的比较多的就是量化自然而然会和高频交易结合在一起，高频交易其实也有很多做法，包括在海外做市策略，抢单交易等等，现在所谓的高频交易其实更多的是由Alpha本身驱动的。高频交易最早起源在美国，因为美国是一个非常自由的市场，不管是它的期货交易还是股票交易拥有非常自由的制度。美国很多的股票交易，一只股票可以同时在8个交易所进行交易。所以说美国这种充分竞争的交易所制度会诞生很多自由的交易安排，也就是说各个交易所和交易者之间可以用一个很高速的连接去做交易。那么不同的交易所之间因为有信息差，从而诞生了所谓的高频交易，或者抢单套利的行为。做市商本身会在市场上提供流动性，通过双边的买卖报价，在市场和公开交易者中做一个对手方去赚取买卖的价差。
到了现在这个阶段，高频交易更多是由Alpha本身去驱动，并不是简单的通过前面提到的两个方式获得盈利。由于市场上的竞争日益加剧，需要对资本市场资产价格有一个有效短缺预测，那么所谓的这种Alpha Trade就跟中国市场的Alpha中低频策略概念类似，更多是在寻找市场上预测资产价格，并利用这些去创造盈利的交易机会。所以现在海外很多高频交易就是由Alpha驱动的。
第二种就是大家比较熟知的统计套利。不管是在国外还是在国内，现在统计套利本身都占据了非常大的市场份额。统计套利也包括几大类策略，包括量价因子策略、基本面策略、另类数据策略。那么量价因子顾名思义也比较简单，就是根据市场上公开的交易信息，包括价格信息，成交量信息，订单信息等等综合而成，去预测股票资产价格涨跌的规律；基本面因子，大家知道的股票的价格，包括商品期货价格，最终还是由基本面驱动给股票资产进行有效定价，好的公司价格会上涨，差的公司价格会下跌。基本面因子就是从公司的财报，或者是市场上分析师的一致预期的数据当中，获得对股票基本面信息进行汇总，并对其较长期的资产价格做出预测和判断，那这也是国内运用非常广泛的一个因子。
第三类是另类数据因子，近年来因为数据越来越多，大家会关注更多非传统的股票信息数据，把它做成另类策略，比如说信用卡消费数据、网站爬取到的数据等，甚至包括一些订阅信息等类似的数据，甚至包括该公司其他供应链相关的一些信息的变化，在这些信息中多多少少都会影射出公司本身的一些预期收入的变化。那么，大家就会不断的从这些另类数据当中提取与公司基本面有关的信息并用它来预测股价。说到统计套利，基本上可能我们可以先讲这些内容作为一个简单的介绍。
第三种模式 ，大家提到量化交易比较多是算法交易，与前两者区别是卖方券商提供给买方的去执行交易策略的一个算法的工具。在美国，大家提到量化交易占比可能会达到90%以上，这90%以上的交易量一半是由算法交易去完成。在美国，有很多主观投资经理，他们在形成自己的策略和仓位之后会交给机器，交给算法平台去执行交易订单，机器的好处是可以同时在市场上各个不同交易所下单，寻找到最后一个报价，并通过总结市场的一些短期规律，不断优化算法从而寻找更优的一个执行价格并减少市场冲击的一个方法。
最后，量化本身与主观投资未来的融合和关系。目前在美国很多大型的对冲基金，尤其做主观对冲基金，他们也会使用一些量化的方法去做投资，在策略生成仓位之后，也会用算法交易去提供一些执行优化。当然因为美国很多对冲基金，高杠杆运作对风控有非常高的要求，他们也会用量化的手段去优化投资的组合，控制回撤，不断优化自己的收益回撤比。这些主管基金经理也会像量化一样不断挖掘更多的另类数据，用另类数据跟踪股票的一个基本面变化，比如说游戏公司在APPLE STORE的下载量，包括一个油田的卡车进出数目等。
对于类似这些信息，量化是从更加系统化的角度去挖掘这些细节的规律，主观基金经理更多是对这些数据的一个主观总结，结合行业的先验知识，做出一个对资产价格的判断，是基于少数数据点做出一个高维信息判断的一个决策，而量化则基于大量系统化结构化的数据，在没有太多先验知识的情况下，对数据以及系统化地挖掘来总结出这个市场本身规律。这两种方法本质的区别也是人作为一种智能化的生物决策的流程和现代所谓的人工智能在方法论上的差异。人经过多年进化，形成了社会知识，包括行业知识，包括对人对社会的判断，但是机器本身更多还是通过一些结构化的数据及大量的训练，以一个优化函数来得到一个所谓的不断逼近优化结果的目标，因此，这两种方法论其实本质上还是人和机器的竞争。虽然说人工智能现在在不断的达到更加智人的状态，但是到目前为止人工智能和人的决策能力相比还是有一段很大的差距。但未来，不管量化还是主观投资，两者会从各个角度来进行融合，这是我讲的第一部分关于量化交易的大致介绍。
说到量化交易不得不提的是它在美国的发展现状，因为量化交易本身起源于美国。90年代开始兴起，正是计算机大发展的时代。再到最近10~20年，在美国经历飞速的发展到现在基本上已经形成了一个寡头垄断的格局。量化交易本身在美国市场份额占比是非常大的，百分之九十几的交易量是通过机器去完成当中可能有一半的对手方都是一些偏高频的策略在市场上进行不停交易。当然还有一些交易量也是中低频策略，通过算法交易在执行。
美国市场体量确实是全球最大的资本市场，未来中国，可能现在在市场交易也确实在不断的接近，但美国有一个很显著的特点，就是美国本身的交易制度，除了灵活，他可以允许很多的信息的传播，包括交易所，每一个交易的信息的细节都会在市场行情当中得到披露，它是全世界可能信息最透明的一个交易场所，包括美国的交易制度也是非常的自由，他鼓励多个交易所和多个交易价值之间的竞争，像中国可能更加是一个中央化管控，一只股票在一只交易所的一个现状，美国非常高科技的一些发展，使得交易所在效用及数据处理的能力尚也会大幅提升，这是我想说的第二是因为他自有的这种灵活的制度和交易所的竞争，它的数据体量可以说是非常大，像美国一天一只股票在一个交易所这个数据上经常就可以达到1T,可想而知全市场的数据可能一天所有的股票，交易所相加之后，可能上千T的一个数量级，是非常庞大体量，所以处理大体量数据本身要花费非常大的精力、资历、人力、物力。美国在这方面是走的比较领先的，不管是在信息的处理能力上，交易所在处理基本信息的能力，包括交易数据落地后，构建分析框架对这套信息庞大信息的处理能力，包括实盘交易之后，不同的交易所进行实盘交易也需要大量的机器资源去提供稳定的市场上竞争，所以美国量化交易对基础设施的要求是在比较高的水平。
那么第三个是信息化程度，其实刚刚也提到过，不管是标准化的市场行情来说，美国在信息程度上做了大量的披露，包括比如说像基本面数据其他的关于资本市场的信息，美国的数据体量都是非常充分非常庞大，也包括大量的非结构化的数据和一些另类数据。可能很多对冲基金会使用几百种另类数据或者上千种去进行股票的信息的研究加总和预测。那么所以美国相对来说在信息维度上，也是走的比较领先。所以它的本身的自由度就是市场资本市场的一个策略，因为可被挖掘的信息自由度也是非常高的，所以它的竞争也是会非常充分。最后就谈到所谓的运算带宽，其实正因为它庞大的数据体量，非常高的信息维度就带来了市场化的科技的竞争，所以它的本身要消耗大量的计算资源，去实现历史回测也好数据分析也好还是实盘交易也好。所以各家大型的对冲基金，都会建立自己的私有云，去做这些技术架构并为量化交易的策略的迭代提供一个非常强大的后台的服务。
第三部分我们就来简单讲一下中国的量化的发展历程。可以说经历了三个大的阶段了，第一个阶段应该是可以说是在15年之前，最早其实是在10年股指期货刚刚开始交易的时候，开启了中国量化交易的一个阶段。因为那时候刚开始有是资本市场对冲的概念，股票的策略的盈利可以不只是来源于股票的涨，还同时来源于股票的跌。包括期货市场它的API的诞生，股票市场API诞生也为量化交易提供了可能，从10年到15年其实中国资本市场本身也经历了非常快速的变化，那个时候其实大量的资金开始涌入这个市场。然后制度进行大量创新，直到15年达到一个高峰的时候。那个时候由于市场大体量资金市非常疯狂的参与市场以至于最后15年诞生在这样的一个结局。
所以其实在10~15年是一个野蛮生长的阶段，当时15年的时候也诞生了好几家超过50亿规模以上的量化私募基金。但是因为15年非常大的一个制度转折，股指期货交易被限制导致股指期货的贴水还是在非常高的位置上，所以以至于整个在15年之后，基本上50亿以上的量化私募基金都没有办法很好的健康运作。其实量化本身在15年之后，就开启了一个非常困难的时期。因为就是高贴水的环境，程序化被限制，以至于大家需要突破很多的规则或者条条框框去使量化交易变的可能。但正因为第二个阶段，从16年到18年结束的阶段，其实第二代量化私募基金客服了很多障碍，然后打破了程序化交易的一些接入的瓶颈，克服了高贴水的环境。然后包括客户的股指期货开仓这些限制的放开，股票量化交易的生态重新建立起来。再到19年开始，其实整个中国资本市场又经历一个大的转向。政策再一次大幅开放，包括对外资也好。包括自己中国本身的资本市场自由化的发展很多制度开始又重新回到创新的周期。量化本身也开始开启了一个新的时代，这个时代更多资本开始涌入到量化，资本会发现量化策略在这个市场上是一个非常好的资产的补充。它具有高流动性高收益回撤比，且能不断的净化。所以从19年开始，大量资本开始涌入量化，量化又开始了非常大的竞争，这就是量化的第三个阶段。
我们接下来再漫谈一些其他的话题，可能刚刚也讲过关于量化和主观的简单的探讨。其实刚刚已经提到其实量化和主观更多是两种思维模式的方法论。量化更多是通过大规模的系统化的挖掘数据内在本身规律得到阿尔法策略或者是对市场的预测能力，用这些预测能力在市场上进行交易博弈的一个策略。主观更多是偏向于两种类型，一种是长期的价值投资，主观基金经理通过资本市场股票的长期的盈利来使自己的持仓获得比较好的一个长期的回报。当然也有很多主动管理策略是偏交易性，这些交易性的策略更多也是资本市场预期差的预测和博弈。主观更多是基于一些人对本身二级市场对于资本对公司本身预期的预测，这些预测基于很多高维的非结构化信息，包括跟上市公司的沟通、对产业的判断及公司本身的各个环节运作的判断，也包括跟上市公司的内部高管的沟通，对治理结构的理解，还包括行业处于什么样的阶段，资本市场本身对这家公司怎么看。其实主观基金经理或者研究员，在整个过程当中起到非常重要的作用，就是去发现这些高维的信息，非结构化的信息，并利用这些高维的非结构化信息做出策略决策和判断，然后去挖掘市场并进行交易的能力。主观和量化也慢慢会有更多的融合，包括主观的经理也会更多的使用一些量化的工具，不管是算法交易还是风控手段，甚至一些另类数据。
而且量化本身也在不断的向主观学习，去从最基本的看主观的基本面数据，一直再到看更多的主观基金经理是如果对这股票进行定价，然后并把这些定价的一些框架整合到自己量化投资方法论当中。所以未来，量化和主观大的趋势是有更多的融合和合作的机会。但是从目前的科技水平来看，量化是没有办法完全取代人在投资当中的价值。刚刚所提到的人具有非常高维度信息的理解能力，这个是经过非常长期的社会迭代的过程进化而成的。所以即使基本上人工智能它现在所做的事情更多是从强重复性的工作当中替代人的工作，比如说识别一张图片，理解一段声音，这样一些具有非常高维度的信息量，机器就可以从大量的数据当中去总结。那么主观的的决策更多是经验性的，数据量不大，但是可以从少量样本当中获得比较稳健决策，所以这两种方法论本质上还是有区别的。
接下来再讲讲量化在中国的竞争和制度的变化，现在中国的量化的发展也是处在一个完全新的周期，从19年开始之后整个制度开始大幅放开，不管是从资金面上，银行大体量资金或者国家大体量的资金都希望配置到更多的标准化资产。股票和债券在中国又是一个非常重要的募资手段，所以现在来说国家的整个引导也是希望把大量资金引入股市，包括科创板推出，还是创业板注册制推出，包括外资引入，包括公募转融通的一个制度允许。所以都是为了不断的有更多的资本市场参与者，去更加自由的参与市场进行交易，进行博弈，然后来充分通过博弈的过程来发现资产本身的内生的价值。正因为这样一个大的环境，引入了大量的自由的资本，产生了自由的制度和自由的交易规则。所以在这个过程当中会诞生大量的发展量化交易的机会。但是同时，引入了巨量资本的时候，也会引入巨量的竞争。那么大家会发现原有的有效的策略会不断的进行衰减，是因为越来越多的资本发现这些超额收益的机会，会不断的进入市场，把资本超额收益的收益率不断的压低。
监管本身对量化的交易也是非常放开的态度，还记得当时18年的时候，我们经常也会遇到突然某一个时刻就开始被暴炒的股票。但自从19年之后，这样的事情就再也没有发生过，所以可见监管本身资本市场的监管态度也进行了大的转变当然刚刚提到的所谓的这些政策大幅的放开，也是鼓励的资本市场本身更多向美国的一些制度去学习。因为这样大的环境背景在，所以金融科技本身在中国的未来，尤其是在量化领域的未来，是具有比较大的前景。不管是资本引入，还是更多参与者引入，还是更多科技技术本身给这些新的交易环境，都会在这个行业带来不一样的效果。我觉得任何新的行业的发展，包括最后的格局形成，都需要蓬勃的竞争，尤其是科技行业，其实它最本质的竞争点就是在于人才。因为科技创新最后还是需要人才去推动，所以量化这个领域最后的竞争一定是人才的竞争。其实量化的人才大多来自于非传统的金融，比如数学、物理及计算机这些基础科学的领域，他们把一些统计的方法及理科的思维方法带到了金融社会实践的领域当中。
我们也是希望能够在锐天在自身的发展当中，能够不断吸引到更优秀的人才能加入这个平台，能把公司带到一个更高的高度我觉得量化本身未来的竞争和创新集中的焦点其实也就是这些。这些竞争所有的点围绕着策略的迭代和信息连接，那么策略的迭代更多是运用更多的数据或者提取更多有效的信息量对于资本市场的资产价格进行更多更有效的预测。所谓的信息连接就是连接更多的数据，不管是标准化的市场数据，包括量价、基本面的数据，还是更多非结构化的数据，甚至人对股票价格的判断，当我们连接了更多信息以后，把这些信息陈列下来，再通过我们去规律的挖掘，不管是传统的统计的方法还是更多深入学习方法，通过统计上的fitting不断去挖掘数据本身从而对资产价格进行预测。那么其实刚刚开头介绍了一个锐天过去7年的发展，其实这7年的发展也是近见证了整个中国量化三个阶段，经历了整个市场的起起伏伏。任何公司本身发展都有自己的周期，那么在这个周期里，锐天是希望去打造一个多资产类别策略频段的平台化的管理员。不管是股票、商品期货、股指期货或者期权，量化策略本身在各个这些资产类别中都会得到很好的应用，所以我们需要在各个策略平台上不断的去迭代去前进，然后去为投资人创造更多的超额收益的机会，并不断的扩大自己资产的一个容量。
锐天经过7年的发展，从第一行代码从自主开发开始，所有的除了API之外的代码，都是自主开发。我们也投入了大量的人力精力和物力去打造自主开发的数据处理到交易的平台。我们也是希望不断的通过自己的研发能力去优化自己的策略研发平台，或者是信息挖掘能力的平台，不断的去扩充我们自己本身的信息挖掘提取和预测能力。然后不断在各个频段上，进行策略本身的迭代升级，带有竞争力的突破。当然最后我们交易层面也全部都是通过自动化的执行手段来进行交易和风险监控。所以在作为多资产类别的管理人的发展历程当中，我们也希望能够有更多优秀的人才能够加入平台一起能把事业推到一个更高的高度。
主持人提问环节
主持人：我们知道锐天是一家注重科学研究和人才培养和技术积累的科技公司，那么，针对量化科技人才需要具备什么样的特质以及锐天对海外人才的要求有哪些呢？
徐晓波：对于这个问题，总的来说，量化这个行业还是集聚了大量金融背景人才，当然其实从长期来看，这个行业需要这个去兼顾很多最基本一些数据分析能力，所以为什么量化这个行业会汇聚非常多的非理科人才，包括学数学、物理、计算机的这类同学，因为本身需要处理大量的数据，同时需要从这些大量的数据中挖掘一些统计规律，用系统化的研究方法去挖掘策略本身以及金融市场的规律，所以这个工作本身的特征跟很多科研或者工程创新的做法是非常类似的。所以说，具有扎实的研究背景，或者是学科背景和有创新能力的人，在这个行业会发展的比较好。
---
主持人：那么针对锐天来说，你们会需要什么样的人才?
徐晓波：我觉得最基本的素质肯定是有一个理科的背景，因为我觉得科技研发本身还是需要对基础知识有非常扎实的理解。当然这只是一个点，其实我觉得顶尖的人才，还是需要在这些基础上做更多的创新，或者有更多好的想法，更多的执行力去推动本身工程这些方法论在实际的科学当中的应用。
---
主持人：下面一个问题，博士如何转行做量化？
徐晓波：我觉得其实这个行业，PHD候选人非常非常多，美国其实有很多Qaunt Fund会优先选择PHD来作为候选人，所以我觉得PHD反倒是是个优势，因为PHD具有很科研经历。当然，其实我觉得这个行业它并不是一个纯理论的行业，它更多还是一个偏工程的行业，所以我们需要把这些好的理论研究方法，更多的去结合实际工作来做。举一个简单的例子，如果你需要花三天时间去研究一个规律，但可能这个规律随着市场的变动已经改变了，所以我们也需要兼顾创新与速度两者的平衡，所以在实际工作当中，也许你可能花了80分的精力。做出了一个60分的创新，那么就需要你立马把它推到市场执行，来确保这个策略可以进行有效的验证，所以研究本身的经历是重要的，但是我觉得更重要的是如何把这样一个研究去运用到实际当中去。
---
主持人：如何看待目前中国的金融市场水平对于Quant的发展？
徐晓波：其实，中国本身也在一个大的，新的资本市场发展的周期，那么这个周期当中会有非常多的公司上市，非常多的资金开始参与这个市场，不管中资也好外资也好，把资产定价变得越来越有效，当然在这个过程当中，很多资产交易方就会扮演非常重要的角色去推动价格变动的效应。我觉得量化作为基金交易方起这方面也起到了重要作用，所以说量化在中国现在处于一个非常重要的时间节点，它配合了整个政策变化，去推动整个行业的发展。那么，在美国这个行业其实相对来说已经进非常成熟，所以大的格局已经形成，但对中国来说，其实格局还没有完全固定下来，所以在这当中会有非常多的机会可以给到新加入的年轻人去发展。
---
主持人：其实我们在刚才也提到了锐天是一家特别注重科学研究与技术积累的高科技公司，包括我在官网上也看到锐天对外的宣传资料。以科技公司为核心的字眼。因为我们一般称一家机构要么是对冲基金或者是量化私募，那么为什么锐天要强调自己是一家科技公司呢？
徐晓波：其实我觉得量化本身是运用计算机和数理统计知识，在这个金融资产定价当中寻找一些机会。所以他本身对数据处理与信息挖掘有非常高的要求，而且要求本身也是在不断进化的，所以它也和主观交易一个很大不同点就是策略需要去不断的更新迭代，进一步去吻合这个市场的预期，包括竞争环境的变化会对你整个策略框架造成很大的冲击，所以这也就为什么我们会注重科技这一点。
---
主持人：如何看待量化策略的同质化现象，国内和国外量化策略的差距在哪里？
徐晓波：其实大家会发现，任何有盈利机会得到频段，其实大家都会去研究所，你很难说在大的框架上大的方法论上大家有什么本质的不同，因为大家同时在看这些交易，去挖掘这其中的 规律，也会看这些数据，所以它的源头都是一样的，或者它的 竞争领域都是类似的。但是从另外一个角度来说任何资产他的Alpha都有比较大的体量，那么这并不是说一家已经垄断了整个市场，所以 总体来说在很多细节的方法论上或者一些因子挖掘迭代的方法上 ，其实各家还是有自己的一些区别的，可能这些区别比较细节 ，所以并不能说这个本身是非常同质化的，而且刚刚也提到这是一个科技创新的领域，所以你需要不停的创新在这个市场上生存。
---
主持人：Quant数据分析是不是趋向高频化，那么低频交易是否还能取得较高的绝对收益。高频数据和低频数据之间如何互相指导？
徐晓波：我觉得其实在中国任何资产的周期都是有交易机会的，都是有Alpha的空间的。不同频段可能它的优势会不一样，可能偏高频策略他的收益会更高，但是它衰减的也可能更快，所以它的容量可能不会非常大，中频期的策略它的稳定性还不错，它的市场体量会更大一些，但它的竞争也会更加激烈。那么再到低频的领域，其实它的容量会更大，但是它的收益率相对中频可能没有那么稳定，它竞争的可能更多的是和主观的进行竞争。所以我觉得其实不同的频段都是有他自身机会的。
---
主持人：当前国内当衍生品的活跃度是否支持量化交易？
徐晓波：现在衍生品可能更多是在期货、期权。期货本身是一个非常成熟的品种，股指期货之前有一些限制，现在也在逐步放开。大家都会去考虑。期权确实是一个刚刚兴起的品种，所以市场上承载的资金量还并不是特别大，但如果未来通过资本市场衍生品进一步打开的话，其实像美国一样是会带来更大的交易机会的。
---
主持人：另类数据再挖掘A股的Alpha前景如何？
徐晓波：我觉得其实这个点在美国的应用确实非常广泛，刚才提到大的对冲基金可能会有成百上千的数据，但在中国据我所知，大家可能对另类数据不管是因为数据本身的成熟程度也好，还是说大家对数据敏感性的的管控也好，其实在中国的应用没有广泛，那么未来的这些趋势也不好讲，长期当然是看好这块发展的，但是至于他有什么样的结构，和美国去靠拢，我觉得这也是一方面的因素。
---
主持人：深度学习在国内量化交易中的有效性如何？
徐晓波：锐天在各个学习方法都会使用。包括传统的深度学习方法等。我觉得深度学习也是一个方法论的框架，它里面涵盖的内容非常多，包括网络结构的设计参数的调整，包括各个方法互相集合与嵌套。同时深度学习也提供了一种非常好的思维方式供大家选择使用，并且去更好的挖掘数据。
---
主持人：如何看待高频因子模型拥挤度越来越高的问题？
徐晓波：其实我觉得从各个周期来说都是拥挤度越来越高，所以你需要在这个行业不断的快速的创新，去用一些更好的、新的方法论去挖掘市场本身的交易归规律。
---
主持人：瑞天对于海外回流人才有哪些吸引的点？
徐晓波：我觉得我们对人才永远都是特别渴求的，基本上每年都会去美国去和同行进行很多交流，那么其实我觉得人才本身还是看自身，他自己的特点，和他本身的一个契合度。锐天本身也是在人才上的投入上也是非常积极的，我们现在有100多位同事，策略加技术差不多有70位同事。所以我们本身对人才的渴求度是非常高的，只要是具有好的想法和大的创新能力，确实能给平台创造创造更大的价值，那么很多条件都是可以谈的！
---
主持人：今天问最后一个问题。如何看待量本投资？
徐晓波：我觉得量化基本面很大程度上在未来是可以进行高度融合的，其实，锐天本身也在这方面做了一些初步的尝试和探索，对我们来说这是一个有益的尝试，至于这条路未来的路走多远，就好像科技创新一样，并没有一个确定性的结论。就像Mask想把人类带去火星，至于能不能成功这是另外一回事，但是这个想法是十分好的，我觉得是值得去做的。这也是锐天本身未来发展的的方向。
---
主持人：最后徐总还有什么想说的？
徐晓波：我觉得锐天是一个对人才非常开放的平台，所以我非常希望更多优秀的人才加入我们，一起把事业做到一个更高的高度，谢谢大家！