量化基金超额收益、投资决策流程及五大流派介绍

超额收益难度多由指数 Beta 决定，但超额收益的差距取决于管理人模型的 有效性。

1.影响超额收益的三大因素

中证 1000 指增的整体超额会更高，但管理人在中证 1000 指增超额的分化度上 面并没有更小或者更大。即为选哪个指数作为增强，决定了产品超额收益的大致空间， 但管理人之间的超额收益差距仍然取决于自身模型的有效性，不会因为沪深 300 指 增的产品收益更难做，导致管理人之间的超额收益分化度降低。

从历年三类指增超额收益的分布图也可以验证，虽然中证 1000 指增超额明显更 高，沪深 300 的指增超额更低（2021 年除外，当年中证 500 指增的超额更低）， 但三类指增产品超额收益的分布并没有明显的集中度差异。

不过需要注意的是，指数增强基金近几年的超额收益变动较大，除了与市场环境 有关，还有打新收益的影响。从下表可以看出，2019 年-2021 年的打新收益较高， 特别是 2020 年，高参与率+高入围率+合适的基金规模沪深 300 指数增强基金的平 均打新收益达到 8.19%，中证 500 指数增强基金与中证 1000 指数增强基金的平均打新收益也在 6%以上。2022 年之后打新收益较为薄弱，指数增强基金的超额受打 新的影响较少。

若对量化基金超额收益的来源做归因，我们认为可以分为三块：（1）投资能力， 即为管理人的投资模型有效性；（2）投资广度，当可投池的股票数量更多时，超额 收益的空间会更大；（3）投资机会，当可投池的股票之间有明显分化时，超额收益 机会更容易捕捉。其中（2）和（3）由指数本身的属性决定，（1）才是管理人可以 决定的，具体到管理人的量化投资模型，量化投资的决策流程是怎样的？量化投资有 哪些江湖流派？各管理人在量化策略上有哪些差异？接下来我们重点探讨。

3.量化基金的四大投资决策流程

在了解量化管理人的投资能力之前，我们需要先认知量化基金的投资决策流程， 虽然不同量化基金在搭建模型的细节处理上差异较大，但在投资决策流程中我们整体 可以分为归纳为四步：

（1）收益预测模型：即为因子库的构造以及具体的选股模型，决定超额收益的 主要环节，也是流程中最重要的环节。因子库主要为基本面因子、量价因子、高频因 子以及一些合成因子等构成，挖掘因子的方法目前以多因子、机器学习为主。 （2）风险控制模型：在指数增强基金策略中尤为重要，主要对各类风险因子的 敞口暴露进行控制，例如为市值风险、风格风险、行业风险以及个股风险等，较为常 见的做法是采用 Barra 风险因子控制模型。风险控制模型的有效性在平时难以看出差 异，但在风格切换市场环境中差异很明显，例如 24 年年初微盘股的崩盘，让部分风 险敞口较大的量化基金面临大幅的超额回撤。 （3）组合优化模型：该步骤主要是对股票进行赋权，部分管理人会通过 ICIR 的 方法结合风险控制模型对股票进行赋权，部分管理人也会在这一步加入机器学习或深 度学习进行赋权。但管理人在这一步的方法论上差异并不大，主要差异体现在参数的 设置上，例如较为严格的管理人将因子暴露值控制在 0.2 倍标准差以内。 （4）算法交易模型：该步骤主要是股票下单环节的细化，例如硬件设备的支持、 引入如何降低交易成本的算法模型，由于公募量化基金的交易频率并不高，目前也只 有少部分管理人在这个模块做得精细。

收益预测模型作为量化基金最重要的流程，在方法论上具体还可以分为四类： （1）基本面多因子模型：例如财务数据（估值、成长、盈利、质量等）、分析 师预期等； （2）基于量价或另类数据的选股模型：技术面、文本、舆情、产业等数据等； （3）机器学习挖掘因子：主要是挖掘更复杂维度的因子；（4）机器学习预测模型：常见的方法为特征工程，每个因子不是追求的线性关 系，追求的是特征要足够多，便于与未来收益结合后训练得到模型参数，最后对未来 收益进行预测。 机器学习主要解决的是什么问题？近两年机器学习在量化投资中较为盛行，该模 型的核心思想是运用人工智能模型更好的刻画市场的非线性特征，以及更迅速适应市 场风格轮动。主要呈现的是两大亮点：（1）挖掘数据中的非线性关系，发现更独特 的超额收益，解决部分因子拥挤的问题；（2）可以根据新的数据可以不断自身调整 参数，及时适应市场变化。

4.目前公募基金的五大主要流派

管理人流派的差异主要区别于收益预测模型，我们可以将其分为五大流派： （1）基本面量化策略为主：重点挖掘基本面类因子，整合内外部投研资源，将 产业及公司基本面的深度研究成果，数量化表达为可执行策略，更看重因子背后的投 资逻辑，该方法在上证 50、沪深 300 等指数增强基金中运用较多。代表管理人包括： 中信保诚基金、国投瑞银基金、宏利基金以及东兴基金等。 （2）机器学习挖因子：讲究全流程高度自动化，对因子背后的金融逻辑没有太 多需求，通过机器学习在海量数据中挖掘有效的因子，重点在于因子库中因子数量的 量级以及更新迭代速度。该方法在海外量化资管公司中非常流行，例如世坤投资 WordQuant，其中国内具备代表性的基金经理为华夏基金的陈国峰（曾任世坤投资 咨询有限公司(WorldQuant)中国区研究总监）。 （3）机器学习/深度学习预测模型：在算法中输入原始数据，与股票的未来收益 结合训练得到模型参数，追求样本内外表现均较好，对算力以及数据源的需求更高。 代表性管理人有：国泰君安、国金、太平基金、华夏基金（孙蒙）等。 （4）主观选因子或融入主动团队：在模型中会主观加入基金经理自己对市场的 理解，或者在建模环节与公司主动团队联动，例如西部利得基金与中欧基金。 （5）综合派：过往偏基本面策略，目前开始融入机器学习，例如长信基金、创 金合信基金、博道基金等，大多数管理人目前属于综合派，只是每类侧重点不一样。

除了投资方法论的流派，量化基金还需要关注哪些维度？不同于主动权益基金的 投资方法论，量化基金的投资策略对于大多数基金投资者而言难以验证，因此在筛选 的时候可以关注一下环节：（1）流派的差异：基本面量化注重背后的逻辑，更适合 结构性行情；机器学习挖因子追求的是胜率，风险控制能力较强，追求绝对的宽度； 特征工程属于技术派，能及时有效的学习市场遍历市场；（2）因子库的情况：数据 的质量与数量、策略开发的质量与数量；（3）归因分析：模型中因子的构成情况、 收益分布、风险暴露等，特别是在风险控制模型中的参数设置情况；（4）模型的迭代能力：因子与模型都存在拥挤度以及时效性问题，优秀的量化团队会不停的迭代量 化模型；（5）团队的分工：对研究员的考核、基金经理在产品中的核心竞争力；（6） 对细节的处理：对常规因子的优化处理、因子赋权方式、组合构造、交易模型等；（7） 硬件的情况：服务器、显卡的配置情况，特别是用到机器学习、深度学习的团队。