量化基金超额收益影响因素有哪些？

规模对基金的影响体现在交易层面，策略不同规模上限也不尽相同。

1. 主观、小盘量化基金间存在“跷跷板”效应

中证偏股基金指数与沪深 300 指数增强走势相近。主观多头股基金因为 对流动性要求较高，多投资于流动性较好的大市值股票；同时，基本面 投资关注盈利增速，盈利增速较高的公司多为成长型公司。因此主动偏 股型基金的持仓多暴露在大盘成长风格，偏股基金指数与大盘成长风格、 沪深 300 走势接近。我们画出了公募沪深 300 指增与偏股基金指数的走 势图，2018 年至今，二者累计收益相差不大，300 指增波动略小。 主观、小盘量化基金间存在跷跷板效应。我们使用中证偏股基金指数收 益率衡量主观公募基金的表现情况；同时，由于公、私募间同策略产品 收益率相关性较高，因此在统计收益率时，我们仅统计了公募量化基金 及主要指数的收益率。通过分年度收益我们发现，主观与小盘量化基金 间存在着明显的跷跷板效应，2019、2020 年，大盘成长风格表现较好， 中证偏股基金指数、300 指增均获得了相对较高的收益。其余年份，1000 指增收益率相对占优。

2. 市场活跃度与量化基金超额收益间存在相关关系

股票量化多头策略希望在固定时间点，可选样本空间内，找到未来一段 时间相对较强的股票，从而跑赢基准股票池。小盘股波动率高于大盘股， 也就是说小盘量化样本空间中的股票波动率差别较大（截面波动率高）， 因此量化策略在小盘股中选股时，更容易选择到相对更加强势的股票， 也更容易在小盘中做出较高的超额收益。 主要宽基指数中，随着市值的减小，截面波动率逐渐上升，因此小盘量 化超额收益高于大盘量化。我们统计了沪深 300、中证 500、中证 1000、 中证 2000 指数的截面波动率，发现随着指数成份股市值的下降，宽基指 数截面波动率逐渐上升。指数增强基金的表现也反映出了截面波动率越 大，超额收益越高的特点：无论是私募基金或者公募基金，中证 1000 指 增策略累计超额收益远高于中证 500 指增与沪深 300 指增。

截面波动率、成交量、成分股胜率与超额收益间整体呈正相关关系；成 交集中度整体与超额收益呈现负相关关系。我们使用一年窗口期，滚动 计算量化基金基准的活跃度指标与其超额收益间的相关关系，结果发现： 截面波动率、成交量、成分股胜率与超额收益整体呈正相关关系；成交 集中度整体与超额收益呈现负相关关系。此外，由于私募策略以价量策 略为主，其与市场活跃度指标的相关性高于公募策略。 主要宽基指数月度截面波动率、成份股胜率、成交集中度计算方法分别 如下：（1）主要宽基指数截面波动率：获取主要宽基指数成份股，计算 成份股日度收益率；计算成份股日度收益率的截面波动，并将其进行年 化处理；求出日度截面年化波动的月度均值；（2）主要宽基指数成份股 胜率：计算每月战胜宽基指数的成份股数量占比；（3）主要宽基指数成 交集中度：将成份股按照成交额进行排序；获取前 20%的成份股；计算 前 20%成份股合计成交额在宽基指数中的占比。

3. 建议选择规模适中的产品进行配置

投资人买入表现较好的基金会导致基金规模上升，但过大的规模可能降 低基金超额收益。量化基金由于有历史数据进行回测，且风格暴露较小， 因此收益延续性相较于主观基金更好。如果基金表现较好受到市场关注， 基金规模往往会出现大幅上升；反之，基金如果规模较大，一般多由于 其历史业绩较好被投资人追捧。因此理论上讲，规模较大的量化基金表 现应该优于规模较小的基金。但我们统计发现，在 300 指增和 500 指增 中，当基金规模过大时，超额收益会出现衰减的现象，而规模排名在 50- 90分位数的基金超额收益相对表现最优。1000指增与主动增强基金2023 年扩容较快，规模对超额收益的影响暂时还需要进一步观察。 在计算产品规模时，如果同一管理人在同一分类下有多只基金产品，我 们认为这几只产品的总规模为基金规模。例如：创金合信量化多因子 （002210/003865）与创金合信中证 1000 增强（003646/003647）在我们 的分类下均属于中证 1000 指数增强，两只基金均由同一人管理，2023 年 6 月 30 日，两只基金规模分别为 3.56、0.83 亿元。针对这种情况，我 们认为两只基金为同一产品，并将两只产品的规模均调整为 4.39 亿元。 进行该调整主要是由于量化产品间同质性强，同一管理人在同一分类下 的基金差别一般不会太大，很多情况下仅仅为模型参数的微调，因此不同产品在交易层面会相互影响，统计规模时，使用总规模计算比较合理。

此外，为了剔除风格暴露对超额收益的影响，比较规模对纯 alpha 的影 响，我们在计算超额收益时剔除了市值 beta 对净值的影响。剔除 beta 收 益的方式如下：（1）我们参照 2.2.1 部分的方式，首先使用有约束条件的 模型对基金进行收益归因；（2）采用归因数据，重新拟合基金基准；（3） 计算基金净值与拟合基准间的差异，并将其作为超额收益进行统计。 沪深 300 指增、中证 500 指增平均规模在 10 亿元左右，中证 1000指增、 主动增强平均规模略小但头部基金规模上升较快。2018 年 1 月 1 日至 2023 年 12 月 31 日，代表大市值风格的沪深 300 指数增强基金平均规模 变化不大，均保持在 10 亿元附近，但代表中小市值风格的中证 500 指 增、中证 1000 指增平均规模在 2021 年“抱团股”瓦解后迅速上升。三 大主要指数增强策略头部基金规模均接近 100 亿元，主动增强基金中规 模最大的基金超过 250 亿元。中证 1000 指数增强中规模最大的基金 2023 年规模增长 38.82 亿元，增长幅度超过 100%，而主动增强型基金中规模 最大的基金 2023 年规模增长 231.87 亿元，2023 年规模扩大约 10 倍。 规模对基金的影响体现在交易层面，策略不同规模上限也不尽相同。策 略、市场环境的不同，导致不同基金在不同时间段的规模上限并没有一 个确定的数值。策略交易频率越高，策略容量越小，但高频策略往往配 置较好的交易系统，并且在交易上进行优化，经过优化后的策略规模容 量上升，也可能超过低频策略。同时，当市场成交量较大时，流动性较 好，交易滑点低，策略容量上限较高；但当市场缩量时，策略容量上限 也会相应下降。因此，在统计规模对净值的影响时，我们采用分位数的 方式对基金进行分组。

4. 适当暴露提升收益，过大暴露长期可能损伤基金净值

量化产品多在成长、盈利、动量风格上进行暴露。我们使用基金半年报 与年报持仓，计算基金全部持仓股票的风格暴露情况，并将其与基准进 行比较，计算量化基金相对基准的风格暴露。结果发现，量化产品多在 成长、盈利、动量风格上进行暴露。2021 年 9 月至今，公募量化基金暴 露较大的风格因子持续回撤，叠加截面波动率震荡下降，因此公募量化 基金累计超额收益的斜率明显变缓。不过 500 指增与 1000 指增在流动 性和波动两个风格上均有负向暴露，低流动性与低波股票长期具有超额 收益，这两个风格的暴露会为基金带来一定的正收益。

行业上，量化基金超配的行业累计收益基本为正。我们统计了公募指增 基金 2018 年 1 月 1 日至 2023 年 6 月 30 日相对基准指数的行业暴露情 况以及区间内行业累计收益，发现指增基金超配的行业中，除轻工制造， 其余行业区间内累计收益均为正；低配的行业中，累计收益涨跌不一。

为了观察暴露程度对基金净值的影响，我们根据半年报及年报持仓，计 算出每只基金的风格及行业相对基准的暴露水平，后每期按照 30 分位 数、70 分位数将基金按照不同暴露水平划分为 3 组，并计算不同组别超 额收益。具体计算方式如下：（1）计算每只基金当期持仓风格、持仓行 业相较于基准的暴露水平；（2）加总基金在不同风格、行业暴露的绝对 值，计算当期总暴露水平；（3）每期将同类基金的风格、行业暴露水平 进行排序，计算暴露排位的分位数；（4）对风格暴露分位数、行业暴露 分位数求均值，计算平均暴露水平；（5）当总暴露水平小于 30 分位数 时，认为基金暴露较小；当基金暴露水平大于 70 分位数时，认为基金暴 露水平较大；其余基金认为暴露水平适中。在统计时，统计开始日为 2018 年 1 月 1 日，但因为中证 1000 指数增强基金数量较少，因此对其从 2021 年 1 月 1 日期开始统计。此外，由于主动增强没有明确的对标指数，此 处不对其进行统计。 指数增强基金可以通过适当暴露提升超额收益，但过大暴露长期看损伤 基金净值。如果基金长期在某些 smart beta 风格、或者具有长期超额的 行业上进行暴露，可能会提升超额收益。此外，放松组合暴露也可以让 策略追逐风格或行业的动量效应，从而获得部分市场行情延续带来的超 额收益。但过大的暴露可能在市场切换时因持仓转换不及时损伤基金净 值。随着基金暴露程度的上升，指数增强策略的超额收益波动明显加大： 在 2019 年初经济周期转换、2021 年初抱团股瓦解、2021 年 9 月风格切 换、2022-2023 年市场转换期间，暴露较大的基金超额收益回撤较大，长 期来看，暴露较大的基金超额收益低于其余组别。

5. 2023 年降低印花税后，私募量化基金超额表现提升

2023 年降低印花税后，市场活跃度较前期有所下降，但私募量化基金超 额收益表现有所提升。我们统计了 2023 年降低印花税前后市场的环境 情况，发现降低印花税后，市场环境不利于量化基金的超额收益表现。 其中，主要宽基指数截面波动率、日均成交额在降低印花税后下降幅度 较大，日均成交额整体小幅向头部市值股票集中，该市场环境不利于量 化基金超额收益表现。但通过统计量化基金降税前后的市场表现我们发 现，虽然降税后市场整体交投偏清淡，但降税后量化基金整体年化超额 收益有所提升，其中私募量化基金的超额年化收益全线提升，公募 300 指增、主动增强超额收益也有所上升，500 指增年化虽有所下降，但下 降幅度不大，1000 指增年化超额下降较多，但因 1000 指增 2023 年数量 增长较多，其统计样本变化较大。 降低印花税对于量化基金的直接利好体现在降低交易成本上；同时，由 于交易成本降低，量化策略可交易信号增加，信号增加后策略可能会通 过升频的方式进一步提升 alpha。2023 年 8 月 28 日，财政部、税务局宣布，为活跃资本市场、提振投资者信心，自 2023 年 8 月 28 日起，证券 交易印花税实施减半征收，过去印花税为单边收取 1‰，降低后为单边 0.5‰。以单边换手 20 倍（中低频策略）的基金为例，本次降费每年将 为基金节省 1%的交易费用，节约的费用直接体现在基金净值中，成为超 额收益的一部分。同时，由于交易成本降低，量化策略可交易信号增加， 信号增加后策略可能会通过升频的方式进一步提升 alpha：主流的股票量 化策略会定期对股票未来收益率进行预测，当预测未来收益可以覆盖交 易成本时，策略才会进行开仓操作。过去由于交易费用较高，股票开仓 的阈值也较高。而随着费用的下降，量化策略可以降低开仓阈值，从而 获取更多的交易信号，进而提升交易频率，交易频率的提升，有望为投 资者带来更高的超额收益。

6. 策略框架同质化较高，收益差距体现在细节层面

1969 年，爱德华索普利利用他发明的“科学股票市场系统”成立了第一 个量化投资基金，索普也被称为量化投资的鼻祖。1988 年，詹姆斯西蒙 斯成立了大奖章基金，从事高频交易和多策略交易。1991 年，彼得穆勒 发明了 alpha 系统策略，开始使用计算机+金融数据来设计模型，构建组 合。与国外相比，国内量化发展的时间较短，我们将国内量化的发展分 为三个阶段：2010 年-2015 年的早期探索阶段；2016 年-2018 年的洗牌 阶段；2019 年至今的头部化集中阶段。 2010 年可以说是国内量化对冲策略的元年。当年沪深 300 股指期货上 市，此时的量化基金终于具备了可行的对冲工具，各种量化投资策略如 alpha 策略，股指期货套利策略才真正有了大展拳脚的空间。2012 年到2015 年公募量化多头基金管理的资金规模增长了 5 倍左右；公募量化对 冲基金规模增长 10 倍左右，规模超过 200 亿。彼时沪深 300 股指期货 对冲成本极低，甚至部分时间升水，叠加小市值风格具有较高的超额收 益，许多策略通过小市值暴露+沪深 300 股指期货对冲就可以获得令人 满意的收益。但随着 2015 年下半年股市下跌导致股指期货交易被限仓， 叠加 2016 年开始的大市值风格行情，许多产品遭遇尾部风险，量化策略 也逐步进入下一阶段。

2016 年开始，以“消费”为代表的大市值风格开始表现，早期通过小市 值暴露产生超额的量化策略遭遇连续回撤，量化策略也进入了下一阶段， 管理人通过引入 barra 风控体系控制组合风格暴露，追求长期更加稳定 的 alpha，在此阶段基于价量数据的 alpha量化策略在竞争中崭露头角。 2016 年至 2018 年，部分海外从业人员回国创业，引入了更加成熟的量 化策略框架。该框架下组合对风险的把控更加严格，模型通过多维度的 风险控制减少行业或风格端对组合超额收益的影响，追逐更加稳定的超 额收益。在这个阶段，量化策略百花齐放，并未形成规模上的头部公司， 同时基本面量化与价量主导的量化策略并驾齐驱，高频策略与低频策略 同步研发，本土化策略与国外引入策略共同探索国内市场。2018 年下半 年市场下跌幅度较大，量化策略当年整体表现良好，叠加资管新规后各 家机构开始财富管理转型，以及 2019 年起的慢牛行情，量化策略迎来第 三次大发展。在第二阶段中，高频价量策略通过更高且稳定的超额逐渐 获得市场的垂青，量化公司间开始出现分化，基于价量数据的 alpha 系 统策略在竞争中崭露头角。

2019 年开始，各家金融机构开始产品净值化转型，相继尝试引入量化策 略，量化市场规模在这个阶段开始向着头部公司集中，这个阶段开始， 基于价量数据的 alpha 量化策略同质化开始提升，各家机构在研发上进 行大量投入以迭代策略细节。2019 年前，量化策略模型整体相对简单， 由于 A 股市场 T+1 的交易规则存在，多数机构也采用日间交易的方式 进行下单，因此在这个阶段虽然市场对模型框架的争议开始减少，但对 模型细节以及算力要求仍不高，1-2位核心人员即可搭建整套量化策略。 但随着量化基金市场份额的提升，市场有效性提升，各家机构需要在策 略细节上进行迭代，此时量化机构团队也开始迅速扩容，对策略进行更 深层次的研发：（1）因子研发层面：早期多通过人工挖掘的方式进行因 子构建，而目前部分机构开始采用遗传算法模块等方式批量挖掘因子， 计算因子的原始数据频段也从日间数据向订单簿数据提频。（2）因子赋 权方面：早期模型通过简单平均、IC 加权、IC_IR 加权等方式对因子进 行简单合成，而随着机器学习的发展，目前主流机构均采用机器学习的 方式对因子进行合成。（3）交易层面：早期通过收盘计算，开盘下单的 方式即可完成交易，但随着规模的提升，各家机构开始在交易算法上进 行优化，引入做市商策略全天下单，以求扩大规模容量上限。（4）系统 层面：部分机构使用 C++语言搭建自己的回测系统以及交易系统，进行 延迟方面的优化，力求提升开发速度以及实盘交易速度。随着市场进一 步的发展，我们认为量化基金的整体规模占有率还将继续上升，而各家 机构间的竞争也将日趋白热化。