我們是誰
聚焦的資產管理人，圍繞少數互補的專業能力而建立
G Capital 的成立，旨在實踐少數我們深信能透過嚴謹研究與結構紀律、締造持久風險調整回報的策略：亞洲可換股證券、美國市場的量化多資產投資、管理期貨，以及環球信用債。
我們是一支規模精簡而專注的團隊，並不試圖滿足所有資金方的所有需求。每項策略均擬由設計該策略的成員負責管理，風險限額的訂立亦獨立於績效誘因。
量化策略運行於內部研究平台之上，其模型層建基於 Transformer 架構。我們視之為研究的基礎設施——一種更全面地檢視更多數據的方法——而非判斷力的替代品，亦非對業績的任何宣稱。
我們的指引
三項原則，貫徹執行
研究為先
每一項持倉均建基於一手研究及書面投資論述。我們按信念與下行分析決定持倉規模，而非參考指數權重。
結構紀律
可換股證券具備明確的不對稱性；量化策略則依循事先訂立的規則。兩者的共通之處在於，塑造投資組合的是結構——而非短期市場觀點。
利益一致
投資團隊擬與本公司的投資者共同投資。容量上限與費用結構的訂立，旨在保護回報，而非追求規模。
我們的策略
四項策略，一套風險框架
亞洲可換股證券
針對亞洲發行人所發行可換股證券的基本面研究驅動策略。我們尋找內嵌期權相對我們對信貸與股權波幅評估出現錯價的持倉。
主要風險
- 相關發行人的信貸及違約風險。
- 內嵌期權所產生的股權波幅及 delta 風險。
- 二手市場的流動性風險，於受壓市況下可能大幅擴闊。
美國多資產量化
橫跨美國高流動性資產類別的量化、規則為本策略。流程由模型驅動，並由人手監督風險、執行與容量。
主要風險
- 模型風險，包括歷史關係失效的可能性。
- 使用衍生工具或融資時的槓桿及保證金風險。
- 於制度轉換或流動性錯位期間的快速回撤風險。
CTA — 管理期貨
橫跨全球期貨市場的量化趨勢跟蹤策略。策略旨在捕捉股指、利率、外匯及商品市場的中期趨勢，並按已實現波幅調整持倉規模，使風險而非名義金額決定敞口。
主要風險
- 於反覆或區間市況下的趨勢逆轉與反覆訊號風險。
- 期貨及衍生工具固有的槓桿與保證金風險。
- 多個市場於同步拋售中同向移動所產生的集中度風險。
環球信用債
橫跨全球企業信用債券的基本面相對價值策略，涵蓋投資級與高收益級別。策略旨在透過發行人研究、資本結構比較及沿收益率曲線的相對價值分析，捕捉定價錯配。
主要風險
- 信貸息差及違約風險，包括本金損失的風險。
- 基準收益率變動所產生的利率及久期風險。
- 非基礎貨幣敞口的匯率風險，以及受壓市況下的流動性風險。
我們的技術
以 Transformer 架構為核心的研究平台
本公司的量化策略運行於單一內部研究平台之上。其核心為基於 Transformer 的序列模型——即現代語言模型所採用的注意力機制架構，在此應用於市場數據而非文本。模型用以估計：在漫長的價格、成交量與基本面歷史中，哪些部分對當前決策具有意義，以及各項資產之間如何相互關聯，而無須事先假定這些關係。
- 跨資產、跨期限的注意力機制 自注意力機制讓模型得以衡量不同工具、行業與時間維度之間的交互作用，而固定因子模型則將之視為彼此獨立。我們運用此機制直接從數據中學習跨資產結構，並與具經濟意義的特徵並用——而非取而代之。
- 為驗證而建，而非為取信而建 研究以滾動前推（walk-forward）方式進行：訓練、驗證與樣本外期間嚴格分離，開發職能與驗證及審批職能相互分立。已部署的模型均列入書面清單，指定負責人，並就表現漂移按預先訂明的門檻持續監察。
- 模型提供輸入，決策由團隊作出 模型輸出是決策的輸入，而非決策本身。各項訊號均由投資團隊就其經濟邏輯加以審視；團隊保留酌情權，並就每一項持倉承擔責任，且須在書面風險限額內執行。覆寫模型輸出是允許的，並須記錄在案。
模型風險
量化及機器學習模型（包括基於 Transformer 的模型）的表現可能不如預期，亦可能不如測試時的表現。模型輸出取決於訓練所用數據，並可能反映當中的偏誤或不再存在的模式。模擬或研究階段的結果並非投資結果。本公司並無使用生成式人工智能向客戶提供投資意見或推薦。