长城基金雷俊 | 量化的黑白灰——500指增的实战与思考

（以下内容从招商证券《长城基金雷俊 | 量化的黑白灰——500指增的实战与思考》研报附件原文摘录）
　　2023年6月，招商证券于上海成功举办了招商证券2023年中期策略会。在交流会的多元资产管理专场中，招商证券量化与基金评价团队邀请到包括华安基金、长城基金、国泰基金、摩根资产、富国基金、恒生投资、千象资产的多位业内优秀专业人士进行了交流与分享。 本文是长城基金雷俊关于“量化的黑白灰——500指增的实战与思考”的观点分享。 注：相关材料由招商证券量化与基金评价团队整理，以下发言内容仅代表嘉宾观点，本材料仅供公众号使用。 I 引言 "黑白灰"是我年轻时非常喜欢的一张专辑，也是一位歌手的作品。但我认为将其映射到现在的量化投资领域中，有一些有趣的内容值得我们探讨。接下来我们将按照三个部分进行讨论。第一个部分是如何理解市场中的量化投资。第二个部分将探讨在阿尔法越来越难获得的背景之下的一些经验分析。第三个部分是市场投资实战方面的思考。 II 如何理解市场中的量化投资 在股票市场这个狭义的量化领域中，主要包括对市场收益分布的统计、数据处理工作以及解释市场主要收益来源等内容。从最早的单市场资产定价模型开始，到Fama-French三因子模型，以及之后的Fama-French五因子模型等模型，学者们用越来越丰富的维度尝试对市场收益进行解释。整个过程可以看作是对数据进行标准化的数学处理，通过现代化的数据处理方法进行收益结构化，希望通过简明清晰的指标来描述市场，并将可以提炼出来的信息传达给投资者。我们所说的因子化就是这个经典量化投资的主要工作，通过追求超额收益或绝对收益策略的形态，叠加通过风险模型来控制偏离，最终通过公募基金的形式中呈现给投资者。 总的来说，在传统经典的量化投资工作中，关键词大致包括正态分布、数据平稳性、线性正交等。伴随着越来越多的因子被人们所挖掘，一部分早期的阿尔法因子被验证已转化为Beta因子。这种因子的风险化是过去十多年中经典量化投资的主要工作之一。在这个工作的基础上，涌现了许多优秀的产品。然而个人认为随着投资有效性的提升，这个市场也在发生变化。 我们可以通过5个重要的指数来观察市场，分别是沪深300指数、中证500指数、上证指数、万得偏股混合型基金指数（以下简称“偏股混合基金指数”）和全市场等权指数。据统计，全市场等权指数的表现比偏股混合基金指数更好（偏股混合基金指数相对全市场等权多了管理成本）。通过进一步逐年统计，可发现在每年的一季度，偏股混合基金指数表现要好于全市场等权指数，并且基金募集情况通常也要较为理想。在2019年、2020年和2021年第一季度初期的牛市周期中，偏股混合基金指数收益大幅领先市场。从收益率的角度来看，这里面蕴含了资金流向和机构定价变化所带来的影响。在2021年之后，无论是资金的募集端还是投资端，公募基金面临的处境急转而下。然而中小盘的机会却出现了，在2021年之后，有许多公募指增和私募指增、量化投资进入了大家的视野。这种机会也反映在产品的管理形态上，并形成了一定的机构定价影响因素。但在经历了2019年到2020年的定价周期之后，这部分因素在2021年开始逐渐失效。 在经典的风险因子分析体系中，可以利用回归法将一个指数的收益分解为行业因子和风格因子的贡献。以中证500指数为例，该指数在过去十年中不同时间段的构成有显著的变化：在早期，指数的风格收益占比较高，例如从2004年到2015年的周期，然而，中证500风格因子的解释能力在过去5年中下降得非常快，更多的收益解释来自于行业因子，即行业的主导性更强。这种变化有两个主要原因：第一个原因是早年A股上涨的股票偏少，而中证500指数的市值属性偏小，风格收益解释度高；第二个原因是近几年主题投资和行业投资盛行，行业收益占比高。 对于沪深300指数，十年前以金融、周期为主，整体风格偏价值。然而近年来，随着沪深300指数金融、周期权重的降低，以及消费、部分高成长赛道股的纳入，指数的市场风格也出现了变化，指数呈现出更加平衡的持续增长态势。如果对沪深300指数做风格拆解，整体上各风格较为均衡，市值风格相对较大，这是因为近年来上市的股票数量非常多。在进行风险因子数据的标准化时，会发现沪深300指数更偏向于一些头部行业，而中证500指数仍然相对均衡。 从绝对值的角度来看，中证500指数的周期权重在所有宽基指数中（如300、500和1000等）是最高的。由于周期行业的权重相对较稳定，中证500指数经常被认为是估值处于历史底部的指数。通过风格分析可发现，中证500指数在价值方面一直存在风险，并且逐渐在整个市场中趋于均衡。曾被认为缺乏价值的中证500指数，现在逐渐被当作组合中的重要部分。同时，中证500指数的交易活跃度也表现出不同的变化。这些变化有两个重要原因：首先，在市场发展的过程中涌现了许多新兴优质产业公司（无论是消费领域还是成长领域），这导致一些传统中心公司在指数中的权重下降。其次，一些场外衍生品和投资工具（如雪球等）的引入平抑了一部分的波动，使得中证500指数的波动情况相对较小。 从行业的角度来看，整个大资管行业中的配置价值发生了变化。与十年前相比，金融、地产、周期品的权重大幅下降，消费领域增长迅速，这反映出我国上市公司的整体产业结构发生了巨变。一些具有成长性的板块出现了结构性变化，导致公募基金的持仓中逐渐涵盖更多相关标的，这不仅反映着市场投资主体的变迁，也代表着市场主体变迁中的定价因素，并对市场本身产生影响。 我们从持仓风格暴露层面对公募基金进行了分析，在金融属性方面，公募基金在早期更注重于短期炒作和概念投资，但在过去几年中逐渐回归到对基本面投资。尤其是在2016年之后，基本面对贝塔的主导作用更加明显。通过比较中证500指数和公募基金的持仓情况，可发现：公募基金的持仓更倾向于大市值的股票，呈现高波动、高盈利、高估值的特性，而中证500指数更偏向中小市值股票，呈现低波动、低估值和低贝塔的特性。因此，中证500指数代表了不同的资金配置属性，可能会提供更好的投资体验。 传统的基本面投资更多侧重于赔率，而量化投资更多关注多因子胜率。然而，近年来出现了一个不同的演化方向，即希望在赔率和胜率上做得更深入，处理更多的信息量。随之出现了包括指数增强和Smart Beta等在内的新产品。许多传统的主动投资产品也在采用Smart Beta化的处理。常见的方法是建立截面因子模型，寻找Alpha因子，进行风险模型优化，构建交易模型，然后进行绩效归因分析，分析行业市值和各种风险。 III 实操经验分享 随着市场有效性的提升，获取阿尔法因子变得越来越困难。在分析因子模型的优劣势时，我们发现以下几个关键问题。 第一个问题是截面化去噪。它有助于提升股票信息的信噪比，并进行更好的建模。即使采用线性建模来拟合曲线，这种截面化仍然具有价值。因子的优势在于易于理解，易于解释，但也有明显的劣势。首先是强假设的问题，金融数据尤其是股市数据的产生，存在着包括非平稳性和低信噪比等方面的问题。传统模型在这方面遇到了许多困难。 第二个问题是阿尔法因子的贝塔化。多因子模型时常被描述为“灰盒”，因为投资人对多因子模型是似懂非懂的。在“灰盒”基础上，衍生出两个发展方向，一是偏向主动管理、Smart Beta的方向，我们称之为“白盒”化。这种方法更容易理解，能够使投资者更好地理解产品和简化投资过程。过去一个策略可能会使用六个因子，而现在只需一两个因子甚至使用一些指数产品，这些指数产品可能会聚焦于某个因子，如动量或成长，以放大该因子在市场中的表现，从而获取长期因子收益。实质上，这也是将阿尔法因子转化为贝塔因子的一种被迫选择。这种策略不仅将风格投资和因子选择实现了产品化，同时也具备着比传统指数更强的工具属性。工具化属性的增强使得人们更容易理解和应用这些策略。 另一个方向是“黑盒”化。这在近年来引起了公募量化从业者的关注，但我认为先验知识和主导权仍然非常重要。靠先验知识发现规律变得越来越具有挑战性，线性思维主导的模型难以发现隐藏在线性思维之后的非线性关系。这需要通过非结构化建模或非线性建模的方式去寻找因子的机会，或者在时间序列上进行建模，探索新的方法。然而，这种方法存在一个重要问题：解释性较差。尤其在将其应用于公募产品时，解释模型的结果几乎是不可能的任务。 机器学习和传统的多因子模型实际上是兼容的概念。传统的多因子模型主要通过因子来解释收益，通过矩阵、方差、加权等等来衡量价值。在分类任务中，最早的方法是绘制一条曲线，即线性模型。随着支持向量机、网络模型等方法的发展，我们可以在更高的维度空间中进行非线性化因素的处理。因此，这些方法和多因子模型在一定程度上是兼容的。 在这个框架下，基础因子、因子之间的组合以及最终的决策和调参都可以加强工具的运用。深度学习在战略广度领域中较为适用，特别是在中小市值领域，因为深度学习的一个显著特点就是能够跳出原有的线性思维框架，将数据从低维映射到高维，膨胀参数空间和增加自由度。只要有效特征足够丰富，可以很好地对样本进行分类。然而，深度学习在较窄的空间上，尤其是头部股票中，表现可能较弱。 长城基金的量化部门设立于2018年，在经历了从多因子到Smart Beta的转变后，我们逐渐意识到Smart Beta虽然具有更大的弹性，但其波动性也更高。因此，我们逐步回归到因子挖掘和AI因子整合的层面，更加注重数据层面的解决方案。 在偏向AI的阶段，我们更注重产品的寿命，并发现产品特性波动与赔率和胜率之间存在高度相关性。因此，我们在量化策略的发展中不断探索，并借鉴了机器学习和深度学习等领域的经验。这些方法不仅能帮助我们发现新的因子，还能为我们提供非线性建模的机会，从而寻找更多的投资机会。我们深入理解了机器学习和传统多因子之间的兼容性，并通过数据挖掘和AI因子整合的方式，加强了我们的量化工具的运用。在未来，随着技术的不断发展，我们将继续探索新的路径，以提供更加稳定且具有弹性的投资解决方案。相信通过深度学习和人工智能的方法，我们或可以在胜率方面实现显著的提升，从而增强投资体验。 将AI挖掘出的因子与传统的结构化模型进行比较后可发现，主要的风格贡献与我们对市场特点的理解基本是一致的，价值、小盘和波动性在今年的表现中贡献最大。 长城的产品定位是追求高夏普和高信息比率，以学习相对稳定的错误定价和提高胜率为目标。在低波动性和低流动性的情况下，我们的产品可能会表现更好，但也面临一些尾部风险，例如市场中只有少数个股的大幅上涨（如AI产业链）。长城的产品特点是相对保守，对市值下沉的风险持谨慎态度，相较于同类产品更加谨慎，长期来看，长城的产品的稳定性可能会更好。 Ⅳ 实操经验分享 传统的多因子方法更加均衡，并符合我们对线性关系的基本认知。而Smart Beta策略更适合于形成固定风格信息的情况。无论是长期暴露于成长因子还是盈利因子，这种策略的特点将更加鲜明。而黑色的深度学习框架能够在跟踪误差控制和胜率等方面有所帮助，并能挖掘到一些隐藏信息。长城在这个方向已经布局了两年多，今年才真正开始实盘交易，相信未来可以在中小市值领域进一步发挥作用。 重要申明 风险提示 本报告仅作为投资参考，基金过往业绩并不预示其未来表现，亦不构成投资收益的保证或投资建议。 特别提示 本公众号不是招商证券股份有限公司（下称“招商证券”）研究报告的发布平台。本公众号只是转发招商证券已发布研究报告的部分观点，订阅者若使用本公众号所载资料，有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的关键假设、评级、目标价等内容产生理解上的歧义。 本公众号所载信息、意见不构成所述证券或金融工具买卖的出价或征价，评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。该等信息、意见在任何时候均不构成对任何人的具有针对性、指导具体投资的操作意见，订阅者应当对本公众号中的信息和意见进行评估，根据自身情况自主做出投资决策并自行承担投资风险。 招商证券对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果，招商证券均不承担任何形式的责任。 本公众号所载内容仅供招商证券股份客户中的专业投资者参考，其他的任何读者在订阅本公众号前，请自行评估接收相关内容的适当性，招商证券不会因订阅本公众号的行为或者收到、阅读本公众号所载资料而视相关人员为专业投资者客户。 一般声明 本公众号仅是转发招商证券已发布报告的部分观点，所载盈利预测、目标价格、评级、估值等观点的给予是基于一系列的假设和前提条件，订阅者只有在了解相关报告中的全部信息基础上，才可能对相关观点形成比较全面的认识。如欲了解完整观点，应参见招商证券网站（http://www.cmschina.com/yf.html）所载完整报告。 本公众号所载资料较之招商证券正式发布的报告存在延时转发的情况，并有可能因报告发布日之后的情势或其他因素的变更而不再准确或失效。本资料所载意见、评估及预测仅为报告出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。 本公众号所载资料涉及的证券或金融工具的价格走势可能受各种因素影响，过往的表现不应作为日后表现的预示和担保。在不同时期，招商证券可能会发出与本资料所载意见、评估及预测不一致的研究报告。招商证券的销售人员、交易人员以及其他专业人士可能会依据不同的假设和标准，采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论或交易观点。 本公众号及其推送内容的版权归招商证券所有，招商证券对本公众号及其推送内容保留一切法律权利。未经招商证券事先书面许可，任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用，否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。

点此查看微信公众号原文全部内容>>

大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）