量化投资需要使用大量数据和复杂算法来寻找市场中的投资机会，策略的成功与数数齐升

量化投资需要使用大量数据和复杂算法来寻找市场中的投资机会，策略的成功与否主要依赖于数据的质量和模型的效率，基金经理需要具备不断地创新能力，积极寻求新的数据源、探索新的算法技术来提升策略效果。在这个过程中，基金经理们往往会根据自身的优势差异进行不同的选择。随着人工智能技术的不断发展，不论是在因子挖掘改进数据分析方面，还是在模型构建方面，均带来了新的提升机会，机器学习也正在被越来越多的基金经理加以采用。 近年来投资机会分散化的A股市场为量化策略提供了适宜的土壤，公募指增及量化基金收益表现开始超额主动管理型基金，管理规模也随之快速扩容。背后既有市场特征的原因，更是公募量化团队整体投研实力不断提升的结果。通过在原本擅长的基本面分析领域不断深耕、积极尝试并深度研究人工智能新技术、优秀人才的持续涌入，公募量化策略正在经历不断强化的升级迭代过程。由于公募基金交易成本、交易限制、投资理念以及各自比较优势的不同，整体策略体系也呈现更加明显的差异化特征，这也为投资者提供了获取多样化阿尔法的可能。 2023年以来，我们陆续推出了两篇量化基金经理精选专题报告，先后对华商基金艾定飞、华泰柏瑞基金笪篁、华商基金邓默、国泰君安资管胡崇海、嘉实基金刘斌、宏利基金刘洋、国金基金马芳、万家基金乔亮、鹏华基金苏俊杰、建信基金叶乐天、国投瑞银基金殷瑞飞、银华基金张凯等12位指增及量化基金经理策略框架体系的特色进行了细致深入的分析（按照姓名拼音首字母顺序，下同）。本篇专题将继续延续之前对于量化基金经理的多角度刻画亮点，聚焦胡迪（摩根基金）、乔亮（万家基金）、提云涛（中信保诚基金）、吴中昊（国泰基金）、许一尊（汇添富基金）等5名在量化投资领域中各有特色的基金经理，他们在因子挖掘和模型构建方面各有差异，在人工智能的使用上也有各自的考量。我们将综合这5名基金经理的量化体系特点、风险控制制度、投研团队现状以及产品绩效表现等多个维度进行深度研究，并结合历史持仓明细数据进行全面分析和特征刻画，以供投资者参考。 胡迪：以多因子模型为核心，叠加事件驱动卫星策略，运用机器学习寻找统计规律、挖掘文本信息。核心基于全市场、聚类分域、剩余残差三个层次逐层回归的方式，构建逻辑清晰的多因子模型。在此基础上，叠加基于文本信息的事件驱动策略，进一步提高组合赔率。整体策略的独特性带来了差异化的超额回报。 乔亮：采用机器学习模型借助先进的算法技术实现因子的自动化配权。因子库覆盖全面且因子之间的相关性较低。2023年主要围绕高频量价低频化因子进行了补充和迭代，同时，在文本信息处理方面增加了ChatGPT等概念工具的应用。同时，十分注重组合风险控制，严格控制偏离，挖掘纯粹的个股阿尔法。 提云涛：采用以基本面为核心的策略框架体系，寻找金融逻辑和统计规律的交集。从长期角度出发，更加侧重于对公司运营、内生盈利、成长空间等特征的刻画。在量化多因子模型打分的基础上，通过主观从公司治理、所处产业 /行业特征等角度，提供更长期视角下对公司经营情况的判断，量化结合主观判断构建股票组合。 吴中昊：主张从收益来源出发挖掘因子，注重因子的逻辑性和可解释性。相比于传统的基本面因子，更加注重公司关系动量的研究，如供应链关系、竞争关系等，通过构建多种类别的公司关系网络，形成因子的差异化特色。今年以来在继续使用线性模型的同时，开始尝试使用一些简单的非线性模型，追求模型循序渐进的迭代升级。 许一尊：因子库均衡且全面，在使用算法挖掘市场面因子的同时，对基本面因子以及市场面和基本面交互特性，也通过机器学习算法进行信息提取。因子复合方面，通过机器学习进行因子动态加权，追求因子配置的均衡和规则化调整。同时，通过Barra模型、统计风险模型等多套不同类型的风险模型进行风险控制，对于敞口暴露限制严格。 风险提示 地缘政治风险、海外紧缩缓和进程不及预期、国内政策及经济复苏不及预期等带来的股票市场大幅波动风险。 内容目录 胡迪（摩根动态多因子）3 乔亮（万家中证500指数增强）6 提云涛（中信保诚量化阿尔法）9 吴中昊（国泰中证500指数增强、国泰沪深300增强策略ETF）11 许一尊（汇添富沪深300/中证500指数增强）13 风险提示16 图表目录 图表1：基金经理量化投资特点（按照拼音首字母顺序）3 图表2：基金经理在管量化产品（截至2023.9.30）4 图表3：代表产品今年以来累计收益（截至2023.10.31）4 图表4：代表产品阶段风险收益指标（截至2023.10.31）4 图表5：代表产品管理期行业偏离度（%）5 图表6：代表产品管理期成分股偏离度（%）5 图表7：代表产品管理期换手率（倍）6 图表8：代表产品相对因子暴露6 图表9：代表产品相对因子收益6 图表10：基金经理在管指增及量化产品（截至2023.9.30）7 图表11：代表产品管理期累计收益（截至2023.10.31）7 图表12：代表产品阶段风险收益指标（截至2023.10.31）7 图表13：代表产品管理期行业偏离度（%）8 图表14：代表产品管理期成分股偏离度（%）8 图表15：代表产品管理期换手率（倍）8 图表16：代表产品相对因子暴露8 图表17：代表产品相对因子收益8 图表18：基金经理在管量化产品（截至2023.9.30）9 图表19：代表产品管理期累计收益（截至2023.10.31）9 图表20：代表产品阶段风险收益指标（截至2023.10.31）9 图表21：代表产品管理期行业偏离度（%）10 图表22：代表产品管理期成分股偏离度（%）10 图表23：代表产品管理期换手率（倍）10 图表24：代表产品相对因子暴露11 图表25：代表产品相对因子收益11 图表26：基金经理在管指增及量化产品（截至2023.9.30）11 图表27：代表产品管理期累计收益（截至2023.10.31）11 图表28：代表产品阶段风险收益指标（截至2023.10.31）12 图表29：代表产品管理期行业偏离度（%）12 图表30：代表产品管理期成分股偏离度（%）12 图表31：代表产品管理期换手率（倍）13 图表32：代表产品相对因子暴露13 图表33：代表产品相对因子收益13 图表34：基金经理在管指增及量化产品（截至2023.9.30）14 图表35：代表产品转型以来累计收益（截至2023.10.31）14 图表36：代表产品阶段风险收益指标（截至2023.10.31）14 图表37：代表产品管理期行业偏离度（%）15 图表38：代表产品管理期成分股偏离度（%）15 图表39：代表产品管理期换手率（倍）15 图表40：代表产品相对因子暴露15 图表41：代表产品相对因子收益15 量化投资需要使用大量数据和复杂算法来寻找市场中的投资机会，不论是数据还是模型都要随着时间的推移不断进行优化，以适应市场条件的变化，策略的成功与否主要依赖于数据的质量和模型的效率，基金经理则需要具备不断地创新能力，寻求新的数据源、积极探索新的算法技术来提升策略效果。在这个过程中，基金经理们往往会根据自身的优势差异进行不同的选择，有一部分基金经理倾向于深耕因子的挖掘，侧重构建有效的差异化因子；也有基金经理更加侧重关注模型部分，通过复杂算法搭建优势模型来捕捉人脑无法识别的阿尔法机会，还有一部分基金经理在因子端和模型端均会给与充分的重视。近年来，随着人工智能技术的不断发展，不论是在因子挖掘改进数据分析方面，还是在模型构建方面，均带来了新的提升机会，机器学习也正在被越来越多的基金经理加以采用。 公募量化近年来发展迅速，特别是从去年开始，投资机会分散化的A股市场为量化策略提供了适宜的土壤，指增及量化基金收益表现开始超额主动管理型权益基金，获得了市场的广泛关注，管理规模也随之快速扩容，截止2023 年三季末，公募指增和量化选股型基金的管理规模分别为1988.26亿和1244.47亿，相较三年前基本实现了翻番。在收益表现亮眼、规模快速扩张的背后，既有市场特征的原因，更是公募量化团队整体投研实力不断提升的结果。通过在原本擅长的基本面分析领域不断深耕、积极尝试并深度研究人工智能新技术、优秀人才的持续涌入，公募量化策略正在经历不断强化的升级迭代过程。同时，由于公募基金交易成本、交易限制、投资理念以及各自比较优势的不同，整体策略体系也呈现更加明显的差异化特征，直观体现在超额收益相关性的差异上也相对显著，这也为投资者提供了获取多样化阿尔法的可能。 2023年以来，我们陆续推出了两篇量化基金经理精选专题报告，分别是2023年2月28日《公募指数增强基金年 度白皮书及基金经理精选：忆峥嵘岁月，迎红日东升》、2023年6月18日《公募指增及量化基金经理精选：机器学习or主动量化，突破壁垒的策略之道》，在这两篇基金经理精选专题中，我们将数据分析与跟踪调研信息相结合，对华商基金艾定飞、华泰柏瑞基金笪篁、华商基金邓默、国泰君安资管胡崇海、嘉实基金刘斌、宏利基金刘洋、国金基金马芳、万家基金乔亮、鹏华基金苏俊杰、建信基金叶乐天、国投瑞银基金殷瑞飞、银华基金张凯等12位指增及量化基金经理策略框架体系的特色进行了细致深入的分析（按照姓名拼音首字母顺序，下同）。 本篇专题将继续延续之前对于量化基金经理的多角度刻画亮点，聚焦胡迪（摩根基金）、乔亮（万家基金）、提云涛（中信保诚基金）、吴中昊（国泰基金）、许一尊（汇添富基金）等5名在量化投资领域中各有特色的基金经理，他 们在因子挖掘和模型构建方面各有差异，在人工智能的使用上也有各自的考量。我们将综合这5名基金经理的量化体系特点、风险控制制度、投研团队现状以及产品绩效表现等多个维度进行深度研究，并结合历史持仓明细数据进行全面分析和特征刻画，以供投资者参考。 图表1：基金经理量化投资特点（按照拼音首字母顺序） 姓名 基金公司 量化体系特点 核心Alpha模型 多因子选股模型体系 其他选股模型体系 风险模型及组合优化 量化团队 大类因子种类 因子挖掘方式及特征 因子加权方式 胡迪 摩根基金 纯量化，核心多因子模型，卫星事件驱动策略 基于多层次回归构建的多因子模型 。第一层回归，基于全市场股票均适用的共性因素；第二层回归，聚类分域，不同行业/主题标的内部共同的驱动因素；第三层回归，剩下10%左右的残差借用机器的算力去挖掘统计规律。 因子库包含数百个人工挖掘的长效因子，涵盖基本面、量价、文本信息等等。 以人工挖掘为主，强调因子的逻辑性和可解释性，也有大量机器学习挖掘的因子储备。 采用非线性方法进行权重分配。 事件驱动策略，整体控制在不超过20%的仓位。主要使用自然语义分析进行文本信息的处理，目前主要包括研究报告、公司公告 、新闻网站等。去年底开始使用 。 风险模型主要沿用Barra的模型体系，优化目标是最大化单位风险预算下的收益，由于是全市场选股基金，因而，在行业偏离及风格暴露上没有进行过多的限制。 共6人，包括公募基金经理和专户基金经理，采用投研一体化的方式运作。期间变换过公司，但基本没有变换过团队成员，团队稳定性强 。 乔亮 万家基金 纯量化，多因子模型 量化多因子模型，机器学习进行因子赋权。 因子库超600个因子，包含基本面类 （成长、价值、质量等）、量价类 （传统量价、高频量价低频化）、预期类、另类数据（供应链、舆情）等因子。沪深300指增基本面因子占比50%左右，中证500指增和中证1000指增基本面因子占比大约30%左右。今年主要围绕高频量价低频化因子进行补 充和迭代。 基本面因子以及传统量价因子以人工挖为主，注重逻辑性；高频量价因子和另类数据主要通过机器学习算法进行挖掘。今年在文本信息处理方面增加了ChatGPT等概念工具的应用。 采用机器学习模型进行因子赋权，基本实现因子权重自动化 - 主要沿用Barra的模型体系，在此基础上进行二次开发。行业偏离基本上在2%以内，风格因子暴露控制在0.2倍标准差以内。 团队成员共10人，均为理工科背景，梯队建设比较完整，核心团队成员均具备8年以上策略管理和实盘投资经验，日常研究工作主要按照