量化掘基系列之十六：控制微盘风格暴露，机器学习赋能量化投资

2024年仍看好主动量化基金表现 近两年主动量化基金业绩优异。受益于投资分散、调整迅速更能适应市场的快速变化，主动量化基金整体收益优于主动权益型基金，业绩表现更好，风险收益比更佳。截至2023年末，偏股混合型基金指数下跌1352，而主动量化基金组合2023年收益率达到706，业绩优于主动权益型基金整体水平。2024年，我们预期市场仍处于存量资金博弈状态，暂时未出现抱团现象，市场仍然难以形成单一明确主线，经济复苏政策驱动下也依然会不断带来新的投资热点，题材炒作现象仍然可能存在，A股市场仍然会保持较高的行业轮动强度。主动量化基金，在市场下跌、热点频繁切换的行情下，因其分散化投资、交易频繁的特性，更有业绩上的优势。在这样的行情下，主动量化基金在2024年仍可能保持其优势，值得关注。 传统多因子选股赛道已经较为拥挤，公募基金的量化策略也在不断迭代更新。机器学习等模型的大量使用，为量化投资提供了新的工具，助力量化投资步入新的阶段。 银河量化优选A投资价值分析 银河量化优选A（004250OF）成立于2017年4月27日，现任基金经理罗博于2021年6月7日开始任职，该基金均 运用量化投资策略进行资产配置和股票投资，采用了机器学习量化选股模型。自2021年6月7日基金经理任职以来，银河量化优选A（005250OF）长期业绩优异，跑赢偏股混合型指数，并且优于主动量化基金整体表现。银河量化优选A在主动量化基金及偏股混合型基金中均排名靠前，近3年，银河量化优选A获得了累计446的收益率，银河量化优选A在1095只偏股混合型基金中排名63，在159只主动量化型基金中排名17。相比于偏股混合型基金及主动量化基金，银河量化优选A在风险控制及风险收益比两方面也更有优势。 主动量化基金2023年大规模加仓微盘股。从基金与万得微盘股指数相关系数来看，银河量化优选A与万得微盘股指数并不是高度相关，持仓市值来看也并未有大规模的微盘股暴露，因此银河量化优选A的主要收益来源也并不是来源于微盘股的暴露。 银河量化优选A整体上呈低股票仓位运行，作为量化基金，该基金持股集中度较低，但并未有较高的换手率。行业偏好来看，该基金在2021年至2022年上半年，相对于中证500指数，在周期板块有正的暴露，而2022年下半年以来， 在电力设备及新能源行业有正的暴露。风格偏好方面，相对于中证500指数，在部分风格上，基金风格暴露有一定的持续性，基金在规模、盈利、账面市值比三个维度有持续的负暴露，而在残差波动率风格因子上有持续的正暴露。整体上，基金持仓相对于中证500指数，更偏小市值和高估值风格。 基金经理及基金管理人介绍 银河基金经理罗博，博士研究生，2006年2月加入银河基金，2009年开始担任基金经理，最新管理规模为2385亿元。银河基金管理有限公司成立于2002年6月14日，是经中国证券监督管理委员会按照市场化机制批准成立的第一 家基金管理公司。截至2023年12月31日，银河基金的总管理规模为103567亿元，其中非货币基金为77481亿元。银河基金管理的各类产品中，债券型基金的管理规模占比最高，占比达到6337。 风险提示 以上结果通过历史数据统计和测算完成，在市场环境发生变化时模型存在失效的风险。基金历史收益不代表未来，需警惕基金未来业绩不及预期的风险。 内容目录 1、2024年仍看好主动量化基金表现4 11近两年主动量化基金收益优势明显4 12主动量化基金大规模投资微盘股5 13机器学习模型助力公募量化基金策略更新迭代5 2、银河量化优选A投资价值分析6 21基金基本信息6 22基金长期业绩优异7 23基金微盘股暴露水平较低8 24基金偏低股票仓位运行9 25基金持股集中度偏低9 26基金换手率偏低10 27行业配置偏好动态调整10 28基金偏小市值和高估值风格12 3、基金经理及基金管理人介绍12 4、风险提示13 图表目录 图表1：主动量化基金整体由于主动权益型基金4 图表2：主动量化基金规模变化4 图表3：主动量化基金持有微盘股市值变化5 图表4：主动量化基金与万得微盘股指数相关系数中位数5 图表5：GBDT与NN所选取具体模型6 图表6：GBDTNN两类模型在沪深300成分股的多空组合指标6 图表7：基金基本信息6 图表8：基金经理任职以来的累计收益情况7 图表9：基金经理任职以来产品各年份收益率7 图表10：基金长期业绩表现7 图表11：基金经理任职以来产品各年份年化波动率8 图表12：基金经理任职以来产品各年份最大回撤8 图表13：基金经理任职以来产品各年份夏普比率8 图表14：基金与万得微盘股指数的相关系数变化9 图表15：基金重仓股平均总市值9 图表16：基金经理任职以来的股票仓位变化9 图表17：基金经理任职以来的前十大重仓股占股票投资市值比10 图表18：基金经理任职以来的换手率情况10 图表19：2021年中报相对于中证500指数的行业超配11 图表20：2021年年报相对于中证500指数的行业超配11 图表21：2022年中报相对于中证500指数的行业超配11 图表22：2022年年报相对于中证500指数的行业超配11 图表23：2023年中报相对于中证500指数的行业超配情况11 图表24：2021年中报以来基金相对于中证500指数的风格因子暴露情况12 图表25：基金经理罗博在管基金一览12 图表26：银河基金产品布局（截至2023年12月31日）13 1、2024年仍看好主动量化基金表现 11近两年主动量化基金收益优势明显 近两年主动量化基金业绩优异。受市场整体下跌影响，2023年以来主动权益型基金业绩不佳。受益于投资分散、调整迅速更能适应市场的快速变化，主动量化基金整体收益优于主动权益型基金，业绩表现更好，风险收益比更佳。 截至2023年末，偏股混合型基金指数下跌1352，而主动量化基金组合2023年收益率达到706，业绩优于主动权益型基金整体水平。 图表1：主动量化基金整体由于主动权益型基金 000 500 1000 1500 2000 2500 3000 3500 4000 4500 主动量化基金累计超额收益率偏股混合型基金类收益率 来源：Wind，国金证券研究所 注：主动量化基金根据Wind的基金分类标签，不包含增强指数型基金 主动量化基金受到投资者青睐。截至2023年四季度末，按照Wind给出的主动量化基金分类标签，在主动权益型基金总规模整体上不断下降的情况下，主动量化基金总规模已从2021年一季度末的57559亿元增加至112822亿元。 图表2：主动量化基金规模变化 1200 1000 800 600 400 200 0 来源：Wind，国金证券研究所 2024年，我们预期市场仍处于存量资金博弈状态，暂时未出现抱团现象，各行业景气度一般，市场仍然难以形成单一明确主线，经济复苏政策驱动下也依然会不断带来新的投资热点，题材炒作现象仍然可能存在，A股市场仍然会保持较高的行业轮动强度。主动量化基金，在市场下跌、热点频繁切换的行情下，因其分散化投资、交易频繁的特性，更有业绩上的优势。在这样的行情下，主动量化基金在2024年仍可能保持其优势，值得关注。 12主动量化基金大规模投资微盘股 主动量化基金大规模投资微盘股是2023年的一个典型特征，部分主动量化基金2023年收益率超过10。根据我们统计的主动量化基金持有的微盘股市值，主动量化基金在2022年以来不断加仓微盘股。 图表3：主动量化基金持有微盘股市值变化 3500 3000 2500 2000 1500 1000 500 000 主动量化基金持有的微盘股市值（亿元） 来源：Wind，国金证券研究所 注：微盘股指万得微盘股指数成分股 从主动量化基金与万得微盘股指数相关系数来看，2022年主动量化基金与万得微盘股指数的相关系数水平整体提高。 图表4：主动量化基金与万得微盘股指数相关系数中位数 08 07 06 05 04 03 02 01 0 来源：Wind，国金证券研究所 13机器学习模型助力公募量化基金策略更新迭代 传统多因子选股赛道已经较为拥挤，公募基金的量化策略也在不断迭代更新。公募基金量化策略主要有两大发展方向：数据层面，从传统基本面因子拓展到高频量价因子，也通过NLP等手段从非结构化数据中挖掘新因子；模型层面，在传统的基本面量化基础上，部分公募基金经理开始利用机器学习模型用于因子挖掘与因子合成。 从图像识别、自然语言处理与到数据与信号的分析，机器学习近些年在各行业都展现出了出色的能力，并已开始得到广泛应用。而量化投资由于需要进行处理大量的各类数据，深入分析并挖掘各类股票特征之间的关系并形成有效预测信号，天然就是机器学习绝佳的应用场景。各类机器学习算法能够借助于其巧妙的模型设计有效挖掘到特征或因子间的非线性关系，进行各类因子合成或因子生成的任务，进而形成有效的量化策略，相较于传统人 工挖掘因子或简单线性因子合成有着更高的效率和更好的策略效果。 图表5：GBDT与NN所选取具体模型 来源：国金证券研究所 我们尝试探索并比较各类模型在A股各股票池中的选股效果，包括基于决策树的GBDT和神经网络模型。每类模型又分别使用4个模型进行训练测试，发现通过适当的训练方式和特征数据投喂，模型给出预测信号所构建的投资策略有着出色的收益。我们将GBDT类和NN类模型进行分别合成，因子在沪深300股票池的主要指标如下： 图表6：GBDTNN两类模型在沪深300成分股的多空组合指标 多头夏普比多头超额最 多头年化超额收益率多头信息比率 多空年化收 多空夏普比 多空标准差 多空最大回 率 大回撤 益率 率 撤 GBDT 1328 069 156 1465 3210 1479 217 1999 GBDTAdjCI 1275 067 150 1500 3156 1488 212 2054 NN 1095 055 148 983 2485 1135 219 1005 NNAdjCI 1089 055 148 1007 2456 1147 214 1102 GBDTNN 1444 073 183 554 3516 1340 262 1020 GBDTNNAdjCI 1470 074 186 628 3541 1335 265 1004 来源：Wind，国金证券研究所 注：回测时间范围为2015年1月2023年9月 机器学习等模型的大量使用，为量化投资提供了新的工具和技术。随着量化投资机构的竞争加剧，新的人工智能算法、新模型和新特征会被更多挖掘和探索，助力量化投资步入新的阶段。 2、银河量化优选A投资价值分析 21基金基本信息 银河量化优选A（004250OF）成立于2017年4月27日，现任基金经理罗博于2021年6 月7日开始任职，该基金均运用量化投资策略进行资产配置和股票投资，采用了机器学习选股策略，在严格控制风险的前提下，力求基金资产长期、稳定的增值。 基金简称银河量化优选 图表7：基金基本信息 基金全称银河量化优选混合型证券投资基金 基金类型偏股混合型 成立日期2017427 现任基金经理罗博 现任基金经理任职日期202167 基金简称银河量化优选 基金规模017亿 基金管理人银河基金管理有限公司 业绩基准中证500指数收益率80中证综合债券指数收益率20费率管理费率150、托管费率015 申购赎回状态（2023131）开放申购、开放赎回 来源：Wind，国金证券研究所 22基金长期业绩优异 自2021年6月7日基金经理任职以来，银河量化优选A（005250OF）跑赢偏股混合型指数，并且优于主动量化基金整体表现。 图表8：基金经理任职以来的累计收益情况 2000 1000 000 1000 2000 3000 4000 主动量化基金平均累计收益率银河量化优选偏股混合型基金指数 来源：Wind，国金证券研究所注：数据截至2024130 从各年份表现来看，银河量化