量化掘基系列之二十：深度学习赋能市场中性基金，量化对冲类产品前景广阔

2024年市场中性基金具有市场优势 市场中性基金在近三年的业绩优异且稳定。近三年市场中性基金指数累计收益为-4.13%，远高于偏股混合型基金指数 -27.52%的累计收益，市场中性基金的最大回撤仅为9.24%，而偏股混合型基金指数最大回撤为42.11%。若2024年股票市场持续波动，市场中性基金能通过其更稳健的收益来源持续获得相对优势。 随着量化方法在市场中性基金的深入应用，多因子选股量化模型、风险控制量化模型和机器学习方法得以为投资者带来更佳的投资体验。使用机器学习算法在选股策略中能带来显著的超额收益优势，配合严格的风险控制手段，使基金产品收益更加稳健。 工银优选对冲灵活配置混合发起投资价值分析 工银优选对冲灵活配置混合发起成立于2020年12月30日，基金管理人依据对市场的展望，灵活选择股票、债券、股指期货等金融工具，力争通过多元化策略避免单一策略的超额收益率波动风险，构造低波动率、低下方风险的投资组合。基金自2023年4月份基金经理变更为刘子豪先生，对所采用的投资策略进行了改造，更多的采用了量价类的选股因子以及深度学习模型等因子组合方法，同时严格控制风格偏离，较为有效的提升了组合收益的稳定性。基金的夏普比率、卡玛比率等相较于之前有明显的提升。自2023年4月至今，基金累计收益率为5.19%，夏普比率为1.44。同时，基金的持股集中度和行业集中度较低，对所有Barra风险因子数据具有整体较低的暴露水平。 近一年来，基金规模不断扩大，受到投资者的青睐，而相较于其历史最大规模，仍有增长空间。随着2023年4月基金策略优化以来，较高的收益水平迎来了投资者的广泛关注，基金的持有总份额大幅反弹。个人持有份额占比达到63.74%，反映了市场中广大投资者对基金未来发展的看好。该基金依据市场情况与期货基差水平对仓位不断动态调整，有效控制了风险收益水平。同时该基金与万得微盘股指数的相关性较低，不受微盘极端行情影响。 基金经理和基金管理人介绍 张乐涛先生，硕士研究生，2018年加入工银瑞信，2022年开始担任基金经理。目前张乐涛先生共管理6只基金，总管理规模合计4.37亿元。刘子豪先生，硕士研究生，2022年加入工银瑞信，2023年开始担任基金经理。目前刘子豪先生共管理2只基金，总管理规模合计1.84亿元。工银瑞信基金管理有限公司是由中国工商银行和瑞士信贷合资设 立的基金管理公司，成立于2005年6月。截至2023年12月31日，工银瑞信基金的总管理规模为7338.33亿元，旗下有245个基金产品。工银瑞信基金基金管理的各类产品中，偏股混合型基金的管理规模占比最高，占比达到28.9%。 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。统计假设条件发生变化时，统计结果可能会发生变化的风险。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 一、市场中性基金前景广阔4 1、市场中性基金的运作原理4 2、近三年市场中性基金收益优势突出且稳定4 3、量化策略赋能市场中性基金5 二、工银优选对冲灵活配置混合发起基金投资价值分析6 1、基金基本信息6 2、基金长期业绩优异，当前配置性价比凸显7 3、2023年4月以来基金收益风险指标大幅优化8 4、基金份额大增，规模仍有增长空间9 5、基金持股和行业集中度较低9 6、基金换手率较低10 7、基金股票仓位动态调整，有效控制期货对冲成本11 8、近一年来基金Barra因子风险暴露程度显著降低11 9、基金微盘股暴露水平较低12 三、基金经理和基金管理人介绍13 1、基金经理13 2、基金管理人13 风险提示14 图表目录 图表1：市场中性基金运作原理4 图表2：市场中性基金整体表现优于偏股混合型基金4 图表3：市场中性基金和偏股混合型基金的近三年收益风险指标比较5 图表4：多因子选股量化模型5 图表5：GBDT与NN所选取具体模型6 图表6：GBDT+NN两类模型在中证1000成分股的多空组合指标6 图表7：工银优选对冲基金基本信息7 图表8：基金成立以来的累积收益情况7 图表9：基金产品不同时间区间年化收益率7 图表10：基金产品不同时间区间年化波动率8 图表11：基金产品不同时间区间年化夏普8 图表12：基金产品不同时间区间最大回撤8 图表13：2023年4月前基金累积收益率走势8 图表14：2023年4月后基金累积收益率走势8 图表15：2023年4月前后基金风险收益指标变化9 图表16：规模变化情况（百万元）9 图表17：持有人结构9 图表18：基金持股投资集中度变化（%）10 图表19：行业集中度10 图表20：基金换手率情况11 图表21：基金成立以来股票仓位变化（%）11 图表22：基金风格因子暴露12 图表23：基金风格因子暴露t值统计12 图表24：基金与万得微盘股指数的相关系数变化13 图表25：基金经理张乐涛在管基金一览13 图表26：基金经理刘子豪在管基金一览13 图表27：工银瑞信基金产品规模分布（截至2023年12月31日）14 图表28：工银瑞信基金产品细分类型数量分布（截至2023年12月31日）14 一、市场中性基金前景广阔 1、市场中性基金的运作原理 市场中性基金一般指同时持有同样或者相近β敞口的“多头”即股票现货组合和“空头”即股指期货，通过持仓多头中股票现货部分相对空头部分股指期货的α超额收益来进行获利，即在股票池中构建投资组合通过对冲β系统波动来获取α超额收益。通常来说，超额收益的来源取决于两部分：股票现货组合α的大小以及其持续性和稳定性、空头股指期货部分对冲成本的把握和控制。目前中国金融期货交易所共推出四个系列股指的期货：沪深300指数股指期货、上证50股指期货、中证500股指期货、中证1000股指期货。 图表1：市场中性基金运作原理 来源：国金证券研究所 2、近三年市场中性基金收益优势突出且稳定 市场中性基金在近三年的业绩优异且稳定。近三年市场整体波动较大，受益于β系统波动被对冲掉，市场中性基金整体收益优于偏股混合型基金，业绩表现更好。截至2024年3 月27日的近三年，市场中性基金累计收益为-4.13%，远高于偏股混合型基金-27.52%的累计收益。并且相对于偏股混合型基金，市场中性基金的收益波动更小。 图表2：市场中性基金整体表现优于偏股混合型基金 20.00% 10.00% 0.00% -10.00% -20.00% -30.00% -40.00% 2021-03-292021-09-292022-03-292022-09-292023-03-292023-09-29 偏股混合型基金市场中性基金 来源：Wind,国金证券研究所 通过比较市场中性基金和偏股混合型基金风险收益指标的中位数可以发现，市场中性基金近三年年化收益率中位数是-0.78%，远高于偏股混合型基金的同类指标。同样的，市场中性基金年化夏普比率、近三年最大回撤和年化波动率中位数表现均优于偏股混合型基金的对应指标。因此近三年市场中性基金在收益和风险两方面表现均较为突出。我们预期在 2024年股票市场仍将保持较大分歧，市场波动会随之较大。在这样的行情下，市场中性基金的优势会继续保持。 图表3：市场中性基金和偏股混合型基金的近三年收益风险指标比较 基金代码 年化收益率(%) 夏普比率 最大回撤(%) 年化波动率(%) 市场中性基金中位数 -0.78 -0.77 -9.24 3.32 偏股混合型基金中位数 -10.72 -0.53 -49.11 19.96 来源：Wind,国金证券研究所 3、量化策略赋能市场中性基金 越来越多的公募产品采用量化策略，市场中性基金也多将量化分析纳入投资原则。目前主要应用的是多因子选股量化模型、风险控制量化模型和机器学习方法，近些年AI也在逐渐渗透市场中性基金的策略构建。 多因子选股量化模型是量化投资领域中一个重要的策略，它通过综合考量多个预测因子来选择股票，旨在实现超越市场平均水平的收益。这类模型试图捕捉股票价格中的规律性，以数学和统计方法为基础，结合计算机技术进行高效的数据处理和分析。 图表4：多因子选股量化模型 来源：国金证券研究所 风险控制是量化投资管理中的核心部分，旨在识别、评估和管理投资组合的风险，以最大化风险调整后的回报。量化模型在风险控制中扮演着关键角色，通过应用数学和统计方法，能够精确度量和管理各种风险。常见的风险控制量化模型有VAR模型、CVAR模型、风险预算模型、压力测试和情景分析等。 近年来，机器学习在量化投资领域迅速发展，成为了投资者的强大工具。通过分析大规模数据、识别模式、预测趋势以及自动执行交易，机器学习技术为投资决策提供了更准确、更高效的支持。从预测价格走势到风险管理，再到情绪分析和市场微结构分析，机器学习在量化投资中的应用范围日益扩大，为投资者提供了更多的机会和优势，推动着投资策略的创新和优化。 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，因子在中证1000股票池的主要指标如下： 图表6：GBDT+NN两类模型在中证1000成分股的多空组合指标 多头年化 多头 多头 多头 多空 多空 多空 多空 IC均值 超额收益率 夏普比率 信息比率 超额最大回撤 年化收益率 标准差 夏普比率 最大回撤 GBDT 13.94% 25.08% 0.87 3.11 2.81% 72.76% 12.42% 5.86 3.04% GBDT_AdjCI 13.92% 25.06% 0.87 3.10 2.61% 72.65% 12.69% 5.72 3.04% NN 11.84% 20.13% 0.80 1.89 7.72% 59.17% 17.95% 3.30 4.76% NN_AdjCI 11.84% 20.18% 0.81 1.90 7.72% 59.38% 17.95% 3.31 4.74% GBDT+NN 14.62% 27.71% 0.97 2.86 4.74% 80.20% 15.91% 5.04 2.62% GBDT+NNAdjCI 14.61% 27.92% 0.97 2.89 4.74% 80.30% 15.86% 5.06 3.10% 来源：Wind，国金证券研究所 机器学习在量化投资中将继续发挥关键作用，为投资者提供更精确、更智能的决策支持，推动着投资策略的不断创新和优化。而中性基金则可以将机器学习模型所给出Alpha因子作为其收益来源，进行行业市值等风格约束后，利用期货对冲掉市场的Beta风险，从而能够使产品仅在机器学习因子上暴露，避免了市场和风格的因素对于净值走势的影响。 二、工银优选对冲灵活配置混合发起基金投资价值分析 1、基金基本信息 工银优选对冲灵活配置混合发起基金成立于2020年12月30日，现任基金经理张乐涛、 刘子豪分别于2022年2月18日、2023年4月12日开始任职，该基金借助于数量化投研团队在模型计算、组合构建、风险管理的专业能力，优选多种策略，通过合理匹配收益与风险水平构建投资组合。基金管理人依据对市场的展望，灵活选择股票、债券、股指期货等金融工具，力争通过多元化策略避免单一策略的超额收益率波动风险，构造低波动率、低下方风险的投资组合。基金自2023年4月份基金经理变更后，对所采用的投资策略进行了改造，更多的采用了量价类的选股因子以及深度学习模型等因子组合方法，较为有效的提升了组合收益的稳定性。 图表7：工银优选对冲基金基本信息 要素内容 基金简称工银优选对冲灵活配置混合发起 基金全称工银瑞信优选对冲策略灵活配置混合型发起式证券投资基金基金类型市场中性基金 工银优选对冲灵活配置混合发起A（代