公募指增及量化基金整体投研实力不断提升,在人工智能等尖端技术以及非结构化数据资源上的积极布局,充分拓展了量化分析框架的广度和深度。公募指增及量化基金在拥抱前沿技术的同时,始终坚守基本面研究、注重风险敞口控制,通过多元化互补的方式增强策略的灵活性和稳健性,从而在市场中展现出一定的适应力。今年以来在极端环境下,行业整体超额回撤可控,而且快速回升,3月底主要宽基指数增强类别今年以来平均累计超额基本回到了零上区间,二季度以来整体超额水平进一步提升。 本篇专题将继续延续之前《公募指增及量化基金经理精选》系列专题中对于公募量化基金经理的多角度刻画亮点,进一步聚焦华泰柏瑞基金笪篁、中欧基金曲径、中银基金姚进、博道基金杨梦、长信基金姚奕帆等5名投资框架体系 各有特色、超额稳定性相对较强的基金经理(按照姓名拼音字母顺序,下同)。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。 笪篁:坚持以基本面研究为基础的全市场量化选股策略,十分重视因子的构造逻辑。通过和主观研究员密切沟通 的方式,实现对不同行业基本面因子的精细化刻画,再结合风控技术,实现稳健的超额。传统低频基本面策略侧重中长期投资,同时淡化仓位择时和因子轮动。因子使用方面,以基本面因子为主,采用线性模型和非线性模型结合的方式加权。除传统低频基本面多因子模型外,华泰柏瑞量化团队自2021年开始将短周期交易模型应用于个别产品中。曲径:深耕基本面量化领域,充分利用公司内部行业研究员对行业的深刻理解,基于行业基本面投资逻辑构建选 股模型。在标准的多因子框架下持续扩充低相关性的阿尔法来源,去年到现在不断扩充多元数据,在借鉴内部主观基金经理的投资逻辑重新打磨基本面因子同时,也积极引入外部投研人员及数据专家,补充深度学习挖掘的量价因子、另类因子等。因子组合层面,并未应用非线性手段或深度学习模型,深度学习仅用在量价因子的构建层面。 姚进:主要采用机器学习和传统多因子模型等多策略叠加的方式运作,通过不同类型策略的相互补充,以期达到降低组合超额波动性的目标。整个团队所管理的指增及量化基金产品底层的数据因子、子策略、框架均一致,只是不同的产品由于各自选股域的不同,采用的子策略或者子策略的权重会有一些区别。风险模型由团队自己构建,满足灵活性和个性化需要,每类策略均需要满足行业、成分股、风格因子的敞口控制要求,整体风控较严格。 杨梦:强调模型体系的均衡,旗下指增及量化基金大多采用传统多因子模型与AI全流程框架均衡搭配的方式运作,模型内部描述基本面趋势的偏动量类的因子与描述股票均值回归规律的偏反转类的因子均衡配权,以期通过均衡化的方式,增强整体体系获取超额的稳定性。在经历了今年春节前市场的大幅波动之后,于2月底进一步收紧了风控 参数,并将模型进行了一次全面迭代,目前各个风格因子的暴露均控制在0.3倍标准差以内,追求更纯粹的阿尔法。姚奕帆:注重因子的深入研究和细致化处理,因子储备充足且非常重视对因子细节的打磨。对于新的数据、新的 技术也能够充分应用,为了应对传统基本面因子有效性下降的问题,团队选择寻找与传统因子低相关、相对冷门的财务指标去构建因子,以及在文本、专利等另类数据上也有比较深入的研究和实盘的运用。2023年10月深度学习的量价模型投入实盘使用,进一步提升了整个模型体系的超额来源多样性。 风险提示 海外降息进程不及预期、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。 基金相关信息及数据仅作为研究使用,不作为募集材料或者宣传材料。本文涉及所有基金历史业绩均不代表未来表现。 内容目录 笪篁(华泰柏瑞量化智慧)4 曲径(中欧沪深300指数增强)6 姚进(中银中证1000指数增强)8 杨梦(博道沪深300指数增强、博道远航)10 姚奕帆(长信量化价值驱动)12 风险提示14 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2024.3.31)4 图表3:代表产品管理期累计收益(截至2024.6.30)4 图表4:代表产品阶段风险收益指标(截至2024.6.30)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)5 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:基金经理在管量化产品(截至2024.3.31)6 图表11:代表产品累计收益(截至2024.6.30)6 图表12:代表产品阶段风险收益指标(截至2024.6.30)7 图表13:代表产品行业偏离度(%)7 图表14:代表产品成分股偏离度(%)7 图表15:代表产品换手率(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2024.3.31)9 图表19:代表产品管理期累计收益(截至2024.6.30)9 图表20:代表产品阶段风险收益指标(截至2024.6.30)9 图表21:基金经理在管量化产品(截至2024.3.31)10 图表22:代表产品管理期累计收益(截至2024.6.30)10 图表23:代表产品阶段风险收益指标(截至2024.6.30)10 图表24:代表产品管理期行业偏离度(%)11 图表25:代表产品管理期成分股偏离度(%)11 图表26:代表产品管理期换手率(倍)11 图表27:代表产品相对因子暴露12 图表28:代表产品相对因子收益12 图表29:基金经理在管量化产品(截至2024.3.31)12 图表30:代表产品累计收益(截至2024.6.30)12 图表31:代表产品阶段风险收益指标(截至2024.6.30)13 图表32:代表产品行业偏离度(%)13 图表33:代表产品成分股偏离度(%)13 图表34:代表产品换手率(倍)14 图表35:代表产品相对因子暴露14 图表36:代表产品相对因子收益14 公募指增及量化基金在积极拥抱前沿技术的同时,始终坚守基本面研究、注重风险敞口控制。今年以来在极端环境下,行业整体超额回撤可控,而且快速回升,3月底主要宽基指数增强类别今年以来平均累计超额基本回到了零上区间,二季度以来整体超额水平进一步提升。从超额收益角度来看,截止2024年6月30日,上半年中证2000指增基金平均超额收益最高(6.03%),中证500、中证1000指增基金紧随其后,超额收益均在4%以上,中证500与中证1000指增基金的超额收益差距相比2022、2023年显著收窄。从超额稳定性角度来看,沪深300指增基金由于整体模型市值偏离有限且以今年表现相对较好的基本面因子为主,因而超额回撤幅度较小,超额收益曲线相对更加平稳。 图表1:宽基指增阶段平均超额表现(截至2024.6.30)图表2:今年以来宽基指增累计超额(截至2024.6.30) 来源:Wind,国金证券研究所来源:Wind,国金证券研究所 总体来看,公募指增及量化基金整体投研实力在不断提升,在人工智能等尖端技术以及非结构化数据资源上的积极布局,充分拓展了量化分析框架的广度和深度,多元化互补的方式增强了策略的灵活性和稳健性,从而在市场中展现出一定的适应力。 本篇专题将继续延续之前《公募指增及量化基金经理精选》系列专题中对于公募量化基金经理的多角度刻画亮点,进一步聚焦华泰柏瑞基金笪篁、中欧基金曲径、中银基金姚进、博道基金杨梦、长信基金姚奕帆等5名投资框架体系 各有特色、超额稳定性相对较强的基金经理(按照姓名拼音字母顺序,下同)。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3:基金经理量化投资特点(按照姓名拼音字母顺序) 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 笪篁 华泰柏瑞基金 量化+主观,多因子模型 低频基本面多因子模型,与主观研究团队交流密切,通过借鉴主观研究观点或研究框架来对模型进行改善,特别是细分行业选股。 目前因子数量已有200余个,主要包含成长因子、价值因子等基本面因子、量价因子以及另类因子等。 因子以人工挖掘为主,中长期模型中的量价因子均为人工构建。因子加权方面,中长期模型采用机器学习配权与主观判断相结合的方式。 团队从2018年开始开发了短期模型框架,并于2021年开始实盘,短期模型以技术面因子为主,持仓周期较短,换手较高,不过现在仅应用在华泰柏瑞中证1000指数增强及华泰柏瑞量化收益两只 产品中。 以Barra体系为主,增加了行业分类以及主题事件指标等自有风险因子,风险因子会控单方向,取决于投资逻辑。行业偏离方面,传统的中证500指数增强策略控制在3%以内,沪深300指数增强策略控制在2%以内。 量化与海外投资团队共15人,与被动指数基金团队相对独立,其中研究团队7人,投资团队8人,投资团队主要负责组合管理相关工作,研究团队则专职进行研究工作。整体团队的合作比较扁平,以项目为�发点和落脚点来组织人员。 曲径 中欧基金 量化+主观,多因子模型 多因子模型。深度学习模型应用在挖掘量价因子上,未用在组合模型上。 因子构成分为三大类、六小类因子,三大类因子包括基本面、量价和另类数据。策略迭代后,另类数据由占比60%降低至30%-40%之间,量价因子和基本面因子占比有所提升,今年以来沪深300指增中量价因子占比达到20%左右。 人工+机器,量价因子主要靠机器挖掘。 传统300指增为分仓管理,80%量化模型+15%的主观指增仓位。主动框架由量化策略赋能主观研究,筛选符合主动基金经理标准的股票池和数据,并在交易层面进行辅助等。 沿用Barra风控体系,风险因子暴露控制在0.3个标准差以内。行业偏离方面,沪深 300指数增强策略控制在2%以内。主观指增不过风控优化。 总共11个人,一个量化策略组,由曲径负责;一个基本面量化组,王健负责。从外部引进了数据科学家 、量化模型专家以及交易专家等,目前团队分为量化策略组、基本面量化组和平台组。 姚进 中银基金 纯量化,多策略框架 机器学习(相对透明的)和传统多因子模型,根据策略历史绩效比例中枢,同时设定比例上限,防止过度暴露。策略权重做季度和半年度回顾,但基本上保持稳定。 目前库里面大概有500多个因子,基本上都是人工开发的有投资逻辑驱动来构建的因子。机器学习策略量价因子的权重较高,传统多因子模型中,基本面因子和量价因子兼具,大类因子 种类与常规体系接近。 目前人工挖掘为主。 卫星子策略主要是起到提高投资组合弹性的作用,并且由于和与机器学习、传统多因子保持较低的相关性,能够起到相互补充的效果。 参考Barra体系由团队自己构建,根据自身的需求以及实际中遇到的问题,添加约束条件或者个性化的功能。风控层面整体偏严。 投研一体化形式运作,每名成员都可以参与全流程研究,分工上略有侧重。研究员更多承担从数据到因子的研究工作,基金经理更多的重心在策略开发和组合构建方面。 杨梦 博道基金 纯量化,多策略框架 50%多因子模型+50%AI全流程框架 传统多因子模型均衡配置基本面趋势因子和均值回复因子,细分因子动量加权。因子库中主要是基本面因子,量价因子则是采用AI合成的一个算法量价因子。 基本面因子主要人工挖掘,量价因子是算法生成。 AI全流程框架,通过神经网络的算法去处理所有信息,包括量价数据、基本面数据 、另类数据等等。 主要在Barra模型体系的基础上,补充、修正一些对A股适配度更高的风险因子。风格因子暴露全部收紧到0.3倍标准差。 团队共5人,3名基金经理、2名研究员,在基本面研究、机器学习、量化宏观等方向均配备有特定人员 。 姚奕帆 长信基金 纯量化,多策略框架 基本面模型占6成、量价模型占4成 。