衍复300指增和中性产品路演全文20230824

衍复300指增和中性产品路演全文 内容：衍复300指增和中性产品路演全文衍复公司情况和优势 衍复19年7月成立，在20年6月管理规模达到10亿，同年的10月份管理规模就迅速突破百亿， 目前也是国内最快一家加入到百亿量化私募行列当中的管理人，为什么强调这一点？有两个方面原因 ，一方面我们能够在这么短的时间内加入到百亿量化管理人的行业当中，一方面是体现出了市场投资人对于我们的业绩、能力的认可。另一方面，因为大家经常会关注到一些管理人如果说它的规模突然出现猛增，或者一下子规模上得很快，经常会出现超额下滑等等一系列结果，但是我们从10个亿到100个亿，超额并没有出现任何下滑衰减等等一系列的现象，也在侧面能够体现出衍复的整体策略成熟度是非常高的。截止今年6月30号，在管规模达到480亿。以去年为例，经常会有人问业绩 为什么好，我们做了归因，原因在于策略迭代效果好。去年全年在用因子是200个，在这200个全年在用因子里面，去年产生的新因子占到了150个多，整体来说策略迭代效果是非常好。目前为 止，在用因子220个。这一页是公司所有资管产品的累计超额收益的展示，横轴代表时间，纵轴代表金额，衍复在累计超额方面，还是呈现出了一条相对来说比较平缓且斜向上的稳健向上直线，怎么才能做出这样好的业绩？ 我总结了四大亮点：□Ⅰ公司的核心团队有着美国顶尖对冲基金和国内一线互联网核心岗位的工作经历，这一部分在之后介绍团队的时候会做详细介绍。 Ⅱ公司严格控制行业以及风险因子的暴露，整体来说和市场上的同策略产品相比，它的回撤控制，尤其是超额回撤的控制表现就比较好。 Ⅲ公司自主研发搭建的交易和风控体系，其实大家也都知道主观和量化他在做投资的有差异，像量化其实它还是一个比较烧钱的投资，因为我们要去做策略其实要依赖海量的历史数据，这些数据其实需要花费成本去进行购入，除了数据这一方面，整体上我们也要求要有很强的算力机器设备，包括我们软硬件设施，也是需要比较大额的开销。整体来说，以21年为例，在这方面的成本投入已经突破一个亿。虽然在这方面花得比较多，但是我们觉得非常值得，因为毕竟有一个好的经济基础才能决定好的上层建筑。如果连一个很好的软硬件设施都没有办法保证的话，又拿什么来保证我们去不断提升开发新策略的效率。 Ⅳ在于团队成立，并且单独管理产品，其实是可以追溯到2016年，因为衍复是19年成立，我相 信大家对于我们衍复还是比较了解的，但是有一些对我们不那么了解的投资人，他会问衍复19年才成立，现在才23年，公司会不会太新。你的产品业绩到底有没有一个可靠的保障，可信度和有效度是否有保障。作为投资人肯定有这样的疑惑。这一点不需要担心，因为我们的核心团队管理产品，而且是有实盘可追溯的业绩都已经超过7年，并且每一年的业绩表现都是保持在市场第一梯队水平。很多人对于7年不会有一个特别明显的具象化印象，它就是一个简单的数字，我们也不知道去年到底有多久，甚至 有的时候还会觉得七年听起来蛮少的，在这里做一个小补充，整体来说量化在中国的发展其实到现在也就是10来年的时间，它在老牌资本主义国家，它在美国的发展时间会更长，它的根基也会更为深厚。美国在1971年就已经逐渐发展量化投资，而在我们国内普遍认为2015年是量化发展的元年 。15年之前受制于计算机技术的限制，量化投资里面最核心的三个关键步骤，也就是数据输入、特征提取和网络结构的搭建，它都没有办法做到完全计算机化。也就是说在15年之前，这些核心步骤其实都是需要由人工去进行完成，所以它量化投资的效率，投研的效率比较低，在15年之后随着算法和深度学习的发展，数据输入和特征提取这两步逐渐能够做到完全计算机化。在21年之后，随着自动机器学习的迅速发展，带动的结果就是网络结构的搭建能够做到完全计算机化。自动机器学习带来的结果对于我们生活中有什么样的影响？对于量化投资又有什么样的影响？实际上自动机器学习之后，发展到今天我们谈论的ChatGPT，我现在有一个想法，我希望解决什么事情，但是我在 这一方面并不是专家，也不知道要怎么去解决，我可以把我的诉求提给计算机，计算机会帮助我收集数据，帮助寻找到适合的模型，然后按照模型出一整解决方案，这样会形成从疑问到答复的完整闭环 ，这就是自动机器学习在做的事情。对于量化投资，自动机器学习之后，整体的网络结构搭建就能够做到完全计算机化，也就是说我可以把数据直接喂给计算机，让计算机来帮助进行一些因子挖掘，甚至于可以让计算机去看一看能不能自己写一套投资模型框架，然后让它进行交易指导，这就是现在的发展情况。 接下来看一下公司人员情况，公司目前正式员工是97名，技术开发部和投资研究部占比大概是在6成左右。投研团队也是我们公司最核心的团队，同时也是我们公司的学霸团队。投研团队全部都是来自清华、北大、常春藤院校，学历都非常高，都是一些大学霸。然后我们的投研团队整体上来说是一种全流程精益化的管理模式，我们投研团队包括高总在内，一共有策略研究人员22名和技术开发人员33名，我们觉得大概2：3的比例能够做到比较好，让我们的IT人员有效支持到我们的策略研 发人员去进行因子的挖掘。 我们的投研团队、技术开发人员，他们平时主要负责的内容包括数据的清洗处理，把这些冗杂数据处理成结构化数据，然后提交到策略研发人员进行因子挖掘。除了他们要洗数据以外，技术开发人员还承担了另外一部分工作，就是数据处理系统、策略执行系统、交易执行系统、交易监控系统、运维系统，还有办公类软件，都是由我们的IT人员去进行开发，包括它的维护升级、更新迭代等等。我们的策略研究人员，他们主要负责的因子挖掘这部分，我们公司因子按照它的数据来源不同，主要分为了4个大类，包括量价因子、基本面因子、新闻舆情因子和另类数据因子。 管理人高亢在高中获得了奥赛金牌，由此保送到了北大，读了两年之后转学到了麻省理工，然后在麻省理工利用两年的时间就完成了双学位学习，毕业之后是先后加入了DRWTrading和Two Sigma两家公司。DRWTrading是一家在芝加哥的做高频的量化公司，TwoSigma是一家大家都比较公认的全球顶尖对冲类基金公司，高总在TwoSigma期间研究过 美股市场、欧洲市场，也研究过亚洲市场，整体来说，在回国后又研究A股市场，整体来说高总具备 了超过10年以上的全球量化策略研发和组合管理经验。当然高总的履历，对于整个投研团队也会带来一定影响，我们的投研团队相对来说更具有全球化视野。因为我们在做策略研发的时候，虽然投资的是A股市场，但是我们实际在进行新策略开发的时候，并不是仅仅着盯着A股市场做研究，实际上会研究全球各个国家的股市，我们希望从不同国家的股市里面能够研发出来更新的策略，它能够行之有效得运用到A股市场，为A股市场的投资人赚钱。 这页所展示的是算力方面的投入，每年有上亿的一个研发投入，包括高性能的CPU、GPU服务器，还有数百个分布式的数据库，分布式的计算平台，还有存储系统，整体这些研发的投入保证了我们整个新策略开发的效率。除了这一方面，还有我们的执行交易的平台，我们的程序化算法交易平台也使用是我们公司自建的平台，在交易这一方面它也能够比较好得减少对于市场冲击所带来的成本。交易成本除了这一方面，还可以比较有效去减少交易所带来的滑点摩擦，整体我们的交易成本块就可以有明显的压缩。 投资流程跟大家简单过下，因为我相信大家也听了很多了，投资流程对于量化投资而言，它其实是一个大同小异的事情，因为核心的步骤只有三步，就是策略研发、组合构建和交易执行。策略研发从数据到因子，从想法产生到数据再到因子挖掘，完成之后进入到组合构建部分，在组合构建这一阶段主要是由高总和2~3名资深研究员去负责。我们在组合构建这部分用的更多的是线性组合构建，以非线性为辅助，然后在组合完成构建和优化之后，就会进入到程序化的算法交易执行阶段这一部分，也是没有人工去进行干预的，也是由计算机去全权交易。 我们的风控分为两个部分，一个是交易风控，也就是事前、事中、事后。我在交易前，要对一些关键指标设预值，在交易中我要去进行一些系统实时对账，包括交易后，我要去通过复盘交易流水的方式来确保每天是没有异常交易行为的，这个属于交易风控，我相信可能基本上各家应该都会有，还有一个比较特殊一点的就是我们的策略风控这块，大家所拿到的产品，它的选股有两套模型共同选出，一套是阿尔法多因子选股模型，另一套就是风险因子模型。阿尔法多因子选股模型，它就包含了我刚刚所说到的这4大类的因子，这个模型从我们的核心团队创立一直到现在，模型核心是没有变化过。我们的阿尔法多因子模型，其实它选股的目标就是要去追求选到有更高的超额收益的实仓，大家简单理解一下，这一部分模型其实它追求的是产品的高收益，而风险因子模型是希望选出来的股票能够避免大幅偏离所对标的指数。简单理解一下，其实这一部分模型它主要就是用来控制整个产品的波动性，在这两部分模型的共同作用之下，就会形成我们优化后的股票持仓目标，也就是超额收益更高，同时我们还希望它的超额波动更低，而达到一个高的超额夏普效果。夏普指标就是收益比波动，我们追求的是高的超额夏普，以1000指增为例，我们的超额夏普是可以做到6.7-6.8，高的能做到6 .9，市面上能够做到3~4的管理人，就已经是很不错的管理人了。 衍复300指增□我们为什么选择沪深300指数增强去做推荐，而不是500或者1000。我们 来看一下，整体上沪深300指数增强它有一个比较大的特征，它和其它指数的相关性比较低，它更加能够代表我们A股国内的核心资产，同时它还是整个产品会具有更加偏向于大市值风格。这一页所 展示的其实500和1000在跌的时候，300反而呈现出了一种逆势状上涨的状态。我们就会发现沪深300它的配置逻辑里面就是追求了一个稀缺性，它和500和1000是存在明显的比较强 的低相关性。除了这一页，我们来看一下它还有什么优势。我刚刚说到了它的整个这个行业的分布情况，为什么它会有低相关性？其实整体上来说是因为沪深300指数的前十大权重股，我们可以看到MT、NDSD、PA是它的前十大占比，整体来说它的权重占比会更大，它更具有国内的核心资产 代表性。所以我们去对标指数去进行选择时，整个产品也会呈现出大市值风格。从产品的特征上来说 ，我们还有另一个问题，在面对投资人的时候，投资人经常问担心我买到了指数高位，担心站岗等等一系列问题，在这种时候我们可以去参照近10年的PE分位值， 以今年的6月30号为例，我们发现沪深300指数的PE分位值也就仅仅28.29%，它相对来说位置不算很高，所以它的配置的性价比就会凸显出来。 这一页展示的是衍复300指增1号的实盘业绩，我们发现选择指数增强有什么样的优势？这个产品从21年的年初成立，其实运气不是很好，它从成立开始就遇到了指数的一路下跌，整个市场行情一直不太好，我们就会发现指数其实一直在跌，但是我的超额可以逐渐累积下来，我们每一次都要比指数跌得更少，在这种情况下就会发现我们的超额把整个产品的净值累计起来，投资人其实拿着这一支产品，虽然它是沪深300指数增强产品，而指数是有明显下跌的情况，我们的投资人仍然是有小幅盈利 ，这就是靠超额的贡献。这一页所展示的是超额月胜率情况，还有近一年的数据展示。超额月胜率这一块，衍复沪深300指数增强，能够做到79%月胜率，相当于12个月里面有8~9月超过沪深300的涨幅。在这种情况下，对于投资人而言，持有体验相对来说会好很多。 更新到6月底的数据，300指增目前的实际在管资金是30亿，整体来说容量非常充裕。策略容量预估200亿，它的选股整体上来说，300的成分股能占到7成，然后500和1000里面大概是2成，其他1成左右。因子收益贡献：量价贡献占比大概5成左右，基本面贡献3成，新闻舆情和另类加在一起2成左右，这个就是我们的300指增的归因情况。 衍复中性产品 接下来看一下为什么选择中性策略。首先看一下业绩，这一页展示的是计提之前的实际产品业绩，三年多跑出了年化收益差不多11%+，整体业绩表现不错，而且今年半年以来由于对