2024年量化基金2023年回顾及2024年展望：公私募量化策略剖析、优选及配置

1. 量化基金市场全览

1.1. 公募量化基金发展回顾

1.1.1. 主观多头表现不佳时，量化基金发展较快

早期股票型基金中，由于主动管理型基金可理解性更高，其数量与规模 均占据了绝对的主导地位，但这种情况在逐年改变，2005 年以来，主观 多头的数量及规模占比均出现下行：主观多头基金市场份额第一次下滑 出现在 2010 年附近，彼时随着 ETF 规模及数量的上升，主观多头基金 数量及规模占比开始出现下滑。其市场份额第二次被压缩发生在 2018 年： 随着市场下行，主动管理型基金规模及数量占比均发生显著下行，此时 除 ETF 外，量化基金也出现了快速发展。这一趋势在 2019 年-2021 年 “抱团股”期间有所缓解，彼时主动管理型基金维持了规模及数量占比； 但随着 2021 年“抱团股”瓦解，主动管理型公募基金规模与数量占比双 降的情况继续延续。 同时期量化增强型基金平稳扩容，数量及规模均稳定上升。首只量化主 动增强基金“光大保德信量化核心证券投资基金（360001）”成立于 2004 年 8 月 27 日，后该类型基金数量及规模逐年上升。2012 年 12 月 31 日， 31 只量化基金总规模 323.12 亿元，规模占比仅为 2.96%，而到了 2023 年 12 月 31 日，其数量增长到了 365 只，规模也增长了近 8 倍达到 2440.89 亿元，同时规模占比达到 7.25%。分年度看，公募量化基金规模占比在 2007 年、2014 年、2016 年三个年度增长较快，2016 年后规模稳定上升， 但占比变化幅度不大。

量化基金在主动管理型基金业绩表现不佳时规模占比上升较快。2013 年 后，量化基金经历了两次较快的发展，第一次发生在 2015 年-2018 年， 在此期间，股票型基金总规模变化不大，但量化基金规模大幅上升；第 二次量化基金的规模上升发生在 2021 年后，2021 年后市场风格发生切 换，小盘风格占优导致主动管理型基金业绩表现不佳，而以中小盘风格 为主，且超额收益较为稳定的量化基金在此期间快速发展。

1.1.2. 机构持有人近两年大幅增加对小盘量化的配置

2023 年 6 月 30 日，量化基金中机构投资者占比约为 30%，个人投资者 约为 70%。300 指增、500 指增、1000 指增、主动增强的机构平均占比 分别为 32.75%、24.53%、36.30%、40.31%，个人投资者占比分别为 67.12%、 75.31%、72.33%、63.48%；员工占比分别为 0.13%、0.16%、0.22%、0.32%。 早期机构投资者因为配置需要，偏好 300 指增，而个人投资者更加喜欢 超额收益更高的 500 指增和 1000 指增。不过随着近年来小盘股表现较 好，叠加小盘量化超额收益较高，机构逐渐增加对中小盘量化的配置比 例。

1.1.3. 2023 年中证 1000 指数增强基金规模及数量增速较快

2016 年后，公募量化基金发展开始加速，在目前权益型基金整体表现不 佳的情况下，公募量化基金的数量及规模依旧呈持续上升的趋势：2015 年 12 月 31 日，量化基金数量为 66 只，总规模 733.42 亿元，其中 300 指增、500 指增、1000 指增、主动增强数量分别为 21 只、12 只、0 只、 33 只，规模分别为 126.04 亿元、41.73 亿元、0 亿元、565.65 亿元；截 至 2023 年 12 月 31 日，量化公募数量已经上升到 372 只，总规模为 2520.26 亿元，其中 300 指增、500 指增、1000 指增、主动增强数量分别 为 63 只、79 只、52 只、178 只，规模分别为 592.04 亿元、670.63 亿元、 359.60 亿元、897.99 亿元。指数增强由于：（1）有清晰的对标指数，可 解释性强；（2）有可使用的对冲工具，可以在此基础上构建低风险的中 性策略，因此发展快于主动增强。沪深 300、中证 500 对冲工具上市时 间较早，因此发展也较早，在 2022 年 7 月 22 日中证 1000 股指期货上 市后，中证 1000 指数增强数量及规模才开始快速增加。目前各个策略的 增速方面，中证 1000 指数增强策略因其较高的超额收益以及完善的对 冲工具，增速较快。

1.2. 私募量化基金发展回顾

1.2.1. 私募量化分类方式

我们使用《公募量化基金 2022 年盘点》中对公募量化基金的分类框架， 对私募基金也进行了相应分类。将私募量化多头基金分为：沪深 300 指 数增强型基金、中证 500 指数增强型基金、中证 1000 指数增强型基金、 中证 2000 指数增强型基金、主动量化基金。 具体私募量化基金分类流程如下：（1）我们首先使用朝阳永续的基金分 类，选取一级分类下为“量化”，二级分类下为“股票多头”、“指数增强”， 且为“非对冲”的基金；（2）剔除名称中包含“多策略”的基金，保留 目标策略为“股票多头”或为空值的基金；（3）人工剔除非量化的基金 公司；（4）保留数据公布完整度超过 90%的基金；（5）当符合条件的基 金名称中包含用于编号的数字 1-9、字母 A-Z、中文一-十时，去除基金 名称中的编号，同时只保留同系列中成立最早的基金；（6）按照基金的 名称及跟踪误差对其进行分类。

1.2.2. 严监管的态势下量化基金新发数量并未显著减少

2018 年后私募量化发展较快，2023 年新成立产品主要为老基金同系列 产品。我们统计了新成立基金的数量情况，2019 年后私募量化基金发展 速度显著提升：2019 年-2023 年，新成立量化私募基金数量分别为 1058 只、1795 只、3976 只、2295 只、3077 只，监管收紧叠加市场 beta 端收 益不佳的情况并没有显著影响到量化基金的发行速度。但值得注意的是， 目前私募量化基金的规模开始向头部基金公司集中，2023 年新发且数据 完整的基金中，仅有不足 20%的基金为新设立的系列产品。

1.2.3. 中小盘量化为私募量化基金主战场

与公募量化基金不同，私募量化基金中沪深 300 指数增强数量较少。公 募基金中，沪深 300 指数增强基金数量占比为公募量化基金的 16.94%， 规模占比为 23.49%；而在数据完整的私募量化基金中，沪深 300 指数增 强的数量占比仅为 5.03%，这主要是由于早期私募量化基金以中性策略 为主：小盘量化具备更高的超额收益，叠加中证 500 具有完善的对冲工 具，早期以绝对收益为导向的私募基金更加愿意在中证 500 指数上布局。 不过近年来在小盘 beta 端相对收益较高以及中证 1000 股指期货上市的 影响下，中证 1000 指数增强基金数量在 2021 年后也快速上升。主动增 强方面，部分基金公司为了获得风格收益，放松了指增产品的风格及行 业约束，依此做出了主动增强产品；另一部分非主流量化产品由于无法 对标指数，也被归为主动增强策略。在我们的分类中，2023 年并未有新 成立的主动增强基金，这可能是由于 2023 年中证 1000 指数与中证全指 走势较为接近，成立时间较短的主动增强基金被归为了中证 1000 指数 增强。

2. 量化策略业绩剖析

2.1. 公、私募量化基金超额收益对比

2.1.1. 扣除业绩报酬后，私募基金超额收益依旧占优

公、私募基金间平均超额收益差距较大，按照 beta 收益为 0、私募业绩 报酬为 20%计算，扣除业绩报酬后公开业绩的私募整体收益依旧优于公 募。为了业绩可比性，我们使用第一只中证 1000 指数增强公募基金的成 立时间作为统计开始日，统计了不同类型的公、私募基金平均超额收益 走势，结果发现：（1）小盘量化基金的超额收益更高：其中公募 300 指 增、500 指增、1000 指增年化超额收益分别为 4.13%、7.07%、12.81%， 私募300指增、500指增、1000指增年化超额收益分别为9.11%、15.92%、 19.78%，主动增强方面，因内部基金分化较大，我们使用统一的中证全 指作为比较基准，公、私募主动增强型基金的平均年化超额分别为 4.34%、 9.73%；（2）同类型私募基金超额收益高于公募基金超额收益，私募量化 基金的平均超额收益约为公募量化基金平均超额收益的一倍左右。 2021 年后打新收益衰减，叠加基本面因子表现较差，公募量化基金超额 收益斜率变缓。观察公、私募量化基金平均超额收益情况发现，私募基 金超额收益稳定性较好，而公募量化基金超额收益存在这明显的“大小 年”现象。公募量化基金中，部分产品为基本面量化，在基本面投资表 现较好的 2020 年，各类公募量化基金均取得了不错的超额收益。但随着 近两年来基本面信息表现不佳，叠加打新收益衰减，目前公募量化基金 整体上与私募量化基金存在着较大的差距。

小盘量化超额收益波动较大，但考虑收益后仍具备较高性价比。通过年 化收益-年化波动散点图发现，小盘量化超额收益更高，但波动也相对较 大，不过超额收益夏普比率方面，小盘量化基金的超额收益性价比整体 仍优于大盘量化。

2.1.2. 公、私募基金超额收益差异原因分析

私募量化基金整体业绩优于同类公募基金，该原因来自方方面面：除业 绩披露完整性的原因外，显性原因为私募投资范围更广，交易限制较少， 佣金水平较低等；隐形原因为公、私募基金公司商业模式差异导致，因 此评价量化基金也需要回到商业模式层面进行分析。 我们将超额收益差异的原因总结为以下几项：（1）商业模式；（2）投资 范围/产品结构；（3）佣金水平；（4）硬件/软件投入；（5）激励机制。其 中商业模式、投资范围/产品结构在发展初期让私募量化基金得以实现 “发展-投入-发展”这样的良性反馈机制，也使其可以和上下游合作商 互惠互利，形成生态；而佣金水平、软硬件投入、有效的激励机制得以 让私募量化基金内部持续迭代优化成为可能。

（1） 商业模式： 产品布局：量化基金具有规模效应，早期投入大，回报小，公募基金不 具备动力进行大规模投入，因此起步早但发展慢于私募基金。量化基金 早期规模占比小，同时策略复杂度高，被认为是黑箱策略，市场普遍认 为量化策略风险较大，规模发展受限；同时第二轮量化发展初期在 16 年 后，此时大盘风格走势好，且主观多头策略中价值投资与事件驱动策略 的收益与量化策略收益差距不大。二者共同作用导致公募基金没有相关 动力对量化进行大规模投入，因此公募量化基金虽起步较早，但发展速 度较慢，在策略积累上相对薄弱。与此同时，早期私募量化以绝对收益 为目标布局中证 500 赛道：早期私募基金创始人多为海外回国创业，公 司成立初期已有相关成熟策略积累。且不同于公募基金在 300 指增上的 布局较多，私募量化基金早期在中性策略上投入较大，多使用 500 指增 叠加 500 股指期货对冲的方式构建中性策略，由于小盘量化超额收益更 高，因此私募量化策略天然在中小市值上的暴露也更多。 产品要素：公募基金没有后端业绩报酬收费，因此导致了规模为王；而 私募基金收取后端业绩报酬，管理人早期更加关注业绩本身：公募基金 因为没有后端业绩提成，只有规模上升后才能获取规模收益，但量化基 金理解门槛较高，在稳定的业绩被市场认知前募资难于主观多头基金。 规模较小导致量化团队话语权不足，营销资源不足，叠加收益相较于主 观在当时没有明显优势，公募量化基金早期发展速度并不快。而私募基 金收取后端业绩报酬，管理人早期更加关注业绩本身。由于业绩报酬的 存在，私募基金可以权衡规模与业绩间的关系，且研究员有机会获取后 端带来的奖金激励，这也进一步促使相关人才更加专注于策略收益，以 收益带动规模，规模收益进一步反哺硬/软件投入，提升业绩。

（2） 投资范围/产品结构： 成份股限制：成份股限制导致公募指数增强基金发挥空间小。公募指数 增强基金投资于标的指数成份股、备选成份股的资产占基金资产的比例 不低于 80%，而私募没有相关限制。这就导致私募相关策略样本空间更 广，更容易选到波动较大的强势股票进行交易。

日内回转：公募基金对日内回转的限制导致无法进行 T+0 交易。无法进 行日内回转带来的影响有显性与隐形两个层面：1、显性层面，无法进行 日内回转导致无法获得 T+0 交易部分带来的超额收益。2、隐形层面， 无法进行日内回转导致交易换手较低，而对合作方来说低换手带来的创 收较低，因此合作方合作意愿因此下降。 衍生品使用：公募基金在对冲端仅允许做套期保值操作，因此对冲端发 挥空间较小。私募基金使用对冲的方式更加灵活，部分私募针对股指期 货制定了专门的策略用以增加策略稳定性或收益，例如：针对股指期货 构建时序择时策略，通过择时对冲构建多空策略，以提升策略的风险收 益比。 产品结构：公募基金为单层结构，私募基金多为母子结构，导致私募基 金打新收益高于公募基金。注册制后打新收益一度贡献了可观的“无风 险”收益，打新合适规模为 2 亿元左右，公募基金规模往往高于该规模。 而私募基金由于单产品参与户数不能超过 200 人，因此多为母子结构， 部分私募采用子基金进行打新，子基金规模层面更有利于获取较高的打 新收益。

（3） 佣金水平： 公募基金佣金水平较高，限制了策略换手，因此早期以低频策略为主； 而私募佣金水平较低，可以使用换手较高的策略：类似于天气预报预测 机制，高频策略预测准确度更高，因此相较于低频策略可以获得更高以 及更稳定的超额收益。佣金差别导致公募量化基金早期只能以低频策略 为主，因此超额收益天然弱于私募量化基金。

（4） 硬件/软件投入： 策略开发：私募对硬件/软件的投入导致策略研发效率高于公募。这里包 括数据库投入、算力堆积、回测框架优化、实盘框架优化、人员招聘等 等。数据库投入：由于对原始数据进行处理需要消耗大量时间与算力， 因此私募可能外采基于原始数据二次开发后的数据库进行量化策略开 发，此类库一年投入十万至百万不等，如果公募量化基金规模未超过 10 亿元，管理费收入很难覆盖该成本。算力堆积：机器学习相关算法大量 占用 GPU 资源，普通家用计算机难以支撑相关算法，因此外采服务器也 成为必选项。回测、实盘框架优化：由于 python 学习门槛较低，同时具 有强大的开源环境支持，代码也较为简洁，因此策略开发人员多使用 python 进行策略开发。但 python 运行速度较慢，因此目前私募普遍招聘 IT 人员使用 C++语言编写供策略研究员使用的回测、实盘框架，以期提 升开发速度以及盘中运行速度。举例来说，普通电脑处理 tick 级别的数 据可能在几十分钟至数小时不等，而某头部私募 2020 年公开数据显示 其内部对该级别一年维度的数据进行回测仅需 2 分钟左右。

实盘交易：私募使用的算法交易系统更加先进。头部私募多具有对交易 系统要求极高的自营盘策略，该类策略往往会使用市场最先进的交易系统进行算法交易。资管产品受益于此，在自营策略稳定后也会进行交易 系统的迭代升级。而目前公募基金多为日间策略，下单频率不高，对系 统要求低，因此在交易系统层面私募也多优于公募。此外，在回测结果 接入实盘时，代码框架需要进一步优化调整，目前主流私募均采用流数 据算法提升盘中计算速度，而如果采用日间策略，则无需对此进行优化。

（5） 激励机制： 内部人员：私募量化研究员年薪由基本工资与业绩报酬提成组成，由于 具有后端激励机制，根据行情以及对策略的贡献程度的不同，人员收入 上浮空间较大。此外，头部私募普遍具有高于资管产品收益的自营策略 存在，该类策略往往策略容量较小，因此多提供额度给员工以及核心合 作伙伴，投资于该类策略也可以获得投资收益。综上，在对于员工的激 励层面，公募量化团队很难超过私募，顶尖量化人才也更愿意在私募基 金公司从业。 外部生态：财富业务上，私募可以为销售伙伴提供认购费、佣金收入、 部分后端业绩报酬、托管费、部分管理费等收入，因此代销机构更有动 力推广私募量化基金，私募基金在规模扩大后，也有资源对策略进行进 一步的投入。机构业务上，私募限制较少，融券、DMA 等机构业务也为 合作伙伴提供了多元化收入。因此，私募在获得稳定对冲券源上也更具 优势，稳定的券源有利于控制对冲成本的稳定，私募中性策略也优于公 募。

2.2. 2023 年小盘 beta 对表现较优的量化产品收益贡献较大

2.2.1. 2023 年公募量化在小市值风格上暴露较大

我们选取了 2023 年表现较好的 1000 指增与主动量化基金，通过归因发 现，表现较好的产品整体超配小微盘股。我们选取了 2023 年 1 月 1 日 至 2023 年 12 月 31 日间，累计收益率排名前五的 1000 指增与主动增强 基金进行分析，关于公募量化基金的分类方式详见《公募量化基金 2022 年盘点》。其中收益排名前五的 1000 指增名称中均不含有“1000 指数增 强”的关键字，因此我们再次挑选了名称中含有“1000 指数增强”且收 益率排名前五的基金进行统计。通过有约束条件的回归对基金收益率进 行分解归因发现，表现较好的量化产品均对小微盘股票有暴露。 模型拟合优度较高，说明产品暴露较为稳定。拟合优度是指回归对观测 值的拟合程度，其越接近 1，回归的拟合程度越高。中证 1000 指数对名 称中含有“1000 指数增强”的公募 1000 指增解释程度较高，且拟合优 度极高，说明该类基金对其跟踪基准跟踪较好；对于名称中不含有“1000 指数增强”但被分为 1000 指增的基金，宽基解释力度相对较弱。主动增 强方面，虽然其在不同宽基指数上的暴露程度不同，但拟合优度依然较 高，这就说明主动增强产品的暴露也比较稳定，使用稳定的宽基指数配 比即可比较准确的拟合基金净值。

2.2.2. 小盘 beta 对非指增量化产品贡献了较大收益

主动量化与指数增强在收益上差距较大，但收益间的差距主要是由 beta 的差异带来。我们使用上述回归结果，重新拟合基金基准，并比较了基 金净值与拟合基准间的差异：比如金元顺安元启的拟合基准=上证 50 收 益率*11% +微盘股收益率*56%+中证全债*34%。结果发现，虽然部分主 动量化基金 2023 年收益较高，但在剔除了 beta 收益后，其超额收益甚 至低于 1000 指增。

2.3. 量化超额收益的影响因素

2.3.1. 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。

2.3.2. 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。

2.3.3. 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。

2.3.4. 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。

2.3.5. 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。

2.3.6. 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。

3. 量化基金优选

在评价不同量化策略时我们采用了不同的方法：（1）我们使用指数增强 基金的超额收益对其进行分类评价；（2）对于主动量化基金，我们采用 了和主观多头策略类似的优选框架；（3）量化对冲策略的主要收益贡献 来自于指数增强部分，因此对其的评价也主要取决于公司多头部分情况。 前文将公募量化多头基金按照分类进行了统计及分析，发现近年来量化 发展速度较快，产品数量逐年上升，因此需要从中挑选出合适的基金进 行配置成为了一项挑战。对于指数增强基金与主动量化基金，我们采用 了不同的评价标准：主动量化基金由于没有明确的对标指数，因此在评 价时我们采用了和主观多头策略类似的框架，关于该部分分析详见我们 2022 年底发布的系列报告《公募量化主动增强策略优选》；而指数增强 基金具有明确的跟踪基准，因此我们使用指数增强基金的超额收益对其 进行分类评价，该部分基金优选方法详见 2023 年 9 月发布的系列报告 《量化策略基金优选思路全解》。下文我们仅展示不同策略的优选框架 以及优选结果。

3.1. 指数增强策略评价体系及优选结果

我们使用复合因子对基金进行筛选，选出的基金相较于基准与同类均具 有较稳定的超额收益。基金组合月度调仓：我们每个月对成立满 1 年的 量化基金计算复合因子，筛选分类下复合因子排名靠前的基金构建量化 基金组合进行次月的交易。对于 300、500 指数增强，我们每月挑选排名 前 20%的基金构建优选组合，对于 1000 指数增强，由于其数量较少，我 们选取排名前 50%的产品构建优选组合。 我们最终优选出的 300 指增组合，相较于沪深 300 指数、同类基金平均 的年化超额收益分别为 8.11%、3.23%。2018 年 1 月 1 日至 2023 年 12 月 29 日，沪深 300 指数年化收益率-2.65%，优选基金组合年化收益率 5.24%，最终的优选组合每年均能大幅跑赢基准与同类平均，相较于基准 与同类平均的超额收益夏普值可以分别达到 2.70、0.77。

由于持仓市值更小，500 指增优选组合相较于基准的超额收益更高，年 化超额收益达到 9.04%。2018 年 1 月 1 日至 2023 年 12 月 29 日，优选 组合相较于中证 500 指数、同类基金平均的年化超额收益分别为 9.04 %、 2.85%。同期优选基金组合年化收益率为 6.51%，相较于基准与同类平均， 其超额收益的夏普比例分别达到 2.04、0.47。

中证 1000 指增基金由于数量较少，因此每个月我们选取得分前 50%的 基金构建组合，基于此的优选组合依旧具有不错的超额收益。2021 年 1 月 1 日至 2023 年 12 月 29 日，最终的优选组合相较于中证 1000 指数、 同类基金平均的年化超额收益分别为 9.05%、2.27%。同期优选基金组合 年化收益率为 4.70%，相较于基准与同类平均，其超额收益的夏普比例 分别为 1.99、0.10。随着中证 1000 指增数量的增加，我们认为组合未来 将具有更好的表现。

3.2. 主动增强策略评价体系及优选结果

我们采用类似评价主观多头基金所使用的评价框架，对主动增强型基金 建立了统一的评价标准。量化主动增强策略增强目标差异较大，分类下 有不少以行业、风格为增强基准的基金，因此对不同基金，使用同一基 准计算超额收益及跟踪误差并进行优选的方式并不科学。基于此，我们 采用多因子框架，对主动增强型基金建立了统一的评价标准。该标准下， 复合因子值较高的基金，未来获得超越同类平均收益水平的可能性也较 高。 我们最终优选出的主动增强组合，相较于中证全指、同类基金平均的年 化超额收益分别为 9.42%、4.25%。2018 年 1 月 1 日至 2023 年 12 月 29 日，中证全指年化收益率-2.90%，优选基金组合年化收益率 6.25%，最 终的优选组合每年均能大幅跑赢基准与同类平均，相较于基准与同类平 均的超额收益夏普值可以分别达到 1.35、0.56。

3.3. 2023 年正收益公募量化对冲基金

量化对冲基金主要收益来源为量化多头部分的超额收益，因此我们并未 对其构建单独的评价方法，下文仅列示了 2023 年收益为正的量化对冲 基金。对冲策略收益来源主要有：①多头部分超额收益-股指期货对冲成 本；②打新收益；③其它收益，例如债券票息收益等。其中打新收益是 基金研究中比较容易被忽视的，对量化对冲策略的收益拆解详见《Alpha 对冲策略详解——震荡行情下高胜算策略梳理系列之一》。2019 年— 2021 年公募对冲策略收益较高且波动较小，这部分收益实际主要为打新 收益。随着破发率的增加，打新收益迅速下降，对冲产品的真实管理能 力开始显现出来：部分公募量化基金超额收益表现一般，其并不能大幅 跑赢对冲成本，因此在扣除管理费后，这部分产品平均净值持续下滑。

4. 量化基金配置

4.1. 组合配置方法

我们以中证 800 指数为基准构建量化基金组合，中证 800 指数收益率可 拆解为沪深 300 收益率*75%+中证 500 收益率*25%。目前市场上几乎 没有中证 800 指数增强基金，因此我们在制作组合前，首先对中证 800 指数进行收益率的拆解。中证 800 指数样本空间基本为沪深 300+中证 500 的样本空间，我们通过观察沪深 300 以及中证 500 成份股在中证 800 中的权重，就可以大致判断沪深 300 与中证 500 对中证 800 指数的收益 贡献。通过观察成份股市值发现，中证 800 收益率可以近似拆解为 75% 的沪深 300 收益率与 25%的中证 500 收益率。除了通过观察持仓，我们 也使用了有约束条件的回归对中证 800 指数收益率进行拆解，拆解后结 果与成份股市值观察法得出的结论较为接近。下图为沪深 300 收益率* 75%+中证 500 收益率*25%与中证 800 走势图的情况，可以发现用沪深 300 与中证 500 指数即可较好地拟合中证 800 指数收益率。

4.1.1. 使用固定比例暴露构建量化基金组合

使用 75%的沪深 300 指增+25%的中证 500 指增构建以中证 800 为基准 的量化基金组合可以较好的跟踪基准指数，但该方式无法获得小盘量化 的 alpha 收益。由于中证 800 指数收益率可以被沪深 300 与中证 500 拆 解，因此如果在优选基金中赋予沪深 300 指增 75%的权重、中证 500 指 增 25%的权重，该组合就可以较好的跟踪指数。具体构建方式如下：（1） 每季度选取因子得分为前 20%的沪深 300 指增与中证 500 指增；（2）剔 除统计期规模小于 1 亿元，限购金额在 500 万元以下的基金；（3）赋予 沪深 300 指增共 75%的权重，中证 500 指增共 25%的权重，不同类型指 增下各基金等权配置。

相较于中证 800 指数，组合年化超额收益为 7.07%，超额收益夏普比率 为 2.34。截至 2023 年 12 月 29 日，优选策略年化收益率为 4.06%，从风 险收益特征看，优选策略最大回撤为-28.13%，夏普比率为 0.11。组合超 额收益每年均为正，相较于基准指数，组合的风险收益指标均有所提升。

4.1.2. 使用浮动比例暴露构建量化基金组合

浮动比例的方式是通过模型对组合敞口进行适度的暴露，力求在跟踪误 差、超额收益间做出权衡，通过适度向小市值暴露，扩大超额收益的波 动提升组合绝对收益。为了获取小盘量化的超额回报，我们构建了同时 考虑超额收益与跟踪误差的模型，模型希望通过适当放大跟踪误差，来 获取更高的收益。具体构建方式如下：（1）每季度选取因子得分为前 20% 的沪深 300 指增、中证 500 指增、中证 1000 指增、主动增强；（2）剔除 统计期规模小于 1 亿，限购金额在 500 万元以下的基金；（3）使用机器学习模型优化基金权重，优化目标为：在控制组合整体合理的跟踪误差 基础上最大化组合 alpha，优化时限定单基金最大权重为 8%。 与固定比例的方式相比，浮动比例组合通过放大组合超额收益波动略微 提升组合收益，但超额收益夏普比例下降较多。相较于中证 800 指数， 组合年化超额收益为 7.95%，超额收益夏普比率为 1.26。截至 2023 年 12 月 29 日，优选策略年化收益率为 4.92%，从风险收益特征看，优选策略 最大回撤为-29.40%，夏普比率为 0.16。由于组合在小市值风格上进行暴 露，因此在大市值表现较好的年份，例如 2019 年，组合超额收益表现一 般。2023 年 12 月 29 日，FOF 优化模型对不同类型指增配置比例分别 为：300 指增 10.8%、500 指增 17.2%、1000 指增 24%、主动增强 48%。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）