BEYOND THE VISIBLE.
在纷繁之中，发现本然。
以量化研究，探寻市场的内在规律。
01 ANRUO BENRAN / 关于本然
以研究理解市场，
以计算延伸洞察。
安若本然是一家专注量化投资的私募基金公司。我们希望把数学的严谨、机器学习的表达能力与工程的可靠性，带入对市场的持续研究。
从一个值得追问的问题开始，在数据中寻找线索，用实验检验想法，让每一次探索留下可积累的认识。
研究驱动RESEARCH FIRST
证据先行EVIDENCE MATTERS
长期积累THINK LONG TERM
IN PURSUIT OF UNDERSTANDING02 RESEARCH / 研究方向
从噪声之中，
寻找有意义的结构。
哪些变化包含信息？信息何时生效，又为何失效？
沿着这些问题，探索数据、模型与市场之间的联系。
因子发现
ALPHA RESEARCH
从价量行为、市场微观结构与经济逻辑出发，寻找可检验的信号。关注因子的增量信息、稳定性与失效边界，让发现进入持续验证。
机器学习与深度学习
MACHINE LEARNING
探索非线性关系、表征学习与特征交互。模型可以复杂，问题需要清晰；将泛化能力、可解释性与真实市场的约束放在同一张研究桌上。
时序与关系建模
TEMPORAL & RELATIONAL MODELS
在不同时间尺度中观察信息的形成与传播，研究资产之间的联系与市场状态的变化，理解一个信号在什么环境中仍然成立。
多源数据与文本研究
MULTI-SOURCE DATA
将行情、基本面与公开文本转化为可研究的信息。探索自然语言处理与语言模型的应用，同时认真处理数据质量、时点可得性与信息泄漏。
03 PLATFORM / 技术平台
让想法，
有条件被验证。
研究基础设施的价值，在于缩短想法与证据之间的距离。我们重视数据、GPU 训练与实验复现之间的衔接，让一次结果能够被追溯，让一种方法能够被比较，也让研究的积累成为下一次探索的起点。
- DATA数据
- 从数据时点、口径与质量出发，为每一个研究问题建立清晰的输入。
- COMPUTE计算
- 面向机器学习与时序建模，探索 GPU 训练与资源调度的合理组织方式。
- EXPERIMENT实验
- 让代码、参数、数据与结果彼此关联，使结论有据可查，实验有迹可循。
数据版本
知道每次实验使用了什么，也知道数据在何时发生变化。
并行训练
让计算服务于问题，在效率、资源与研究复杂度之间作出取舍。
实验追溯
留下推理与验证的过程，让下一次探索能够从已有认识继续。
04 RESEARCH PROCESS / 研究方法
一个想法，
要走过怎样的检验。
一个漂亮的回测，是新一轮提问的开始。
我们希望知道一个方法何时有效，也愿意明确它的边界。
提出假设
界定研究问题、信息来源与作用机制。先说明什么证据会支持它，什么结果会推翻它。
建立实验
明确数据时点、比较基线与实验版本。把特征、参数和结果放进同一条可追溯的记录。
走向样本外
通过样本外与滚动检验，观察跨时期稳定性。关注过拟合、信息泄漏与重复试验带来的偏差。
回到真实约束
把相关性、换手、交易成本、容量与风险约束纳入评估。研究信号，也研究如何形成组合。
好的研究，也应当能够被复现、被质疑、被改进。HYPOTHESIS → EVIDENCE → UNDERSTANDING
05 OUR CULTURE / 研究文化
把时间，
留给真正的问题。
好奇心帮助我们提出问题，坦诚帮助我们修正判断。我们珍视专注，也珍视不同视角之间的相互启发。
01让观点接受证据的检验
讨论围绕问题展开。一个新人的提问，也可能成为重新审视既有结论的起点；清楚的推理，比话语的分量更重要。
02给探索一个完整的周期
从阅读与假设，到数据、实验、验证，再回到新的问题。为深入思考保留空间，也让负结果留下有价值的认识。
03让研究与工程彼此成就
研究提出新的需求，工程让方法成为可靠的工具。减少重复劳动，把更多注意力留给理解、推理与创造。
04在交流中形成共同积累
分享一篇论文、一段推导或一次失败的实验。保持直接、开放的讨论，让个人的发现成为团队继续探索的基础。