公募指增及量化基金精选系列六：智能算法协同多维数据，共促量化创新进化

三季度末以来，市场经历了较大波动，由于近期指数相对个股仍然较为强势，选股端获取超额收益的难度并不算低，各类指增策略超额表现自三季度开始均有不同幅度的回撤。截止2024年11月15日，今年以来中证1000指增基 金平均超额收益最高（1.90%），国证2000指增基金紧随其后（1.04%），沪深300、中证500指增策略虽获得正超额， 但并不显著。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，因而三季度以来超额回撤幅度较小，超额收益曲线相对更加平稳。 由于国内股票市场个人投资者占比较高，天然具备良好的alpha环境，尤其是中小市值股票中，超额非常可观，因而，在过往的几年时间里，国内的量化机构超额水平一直维持在较高的水平。中长期来看，A股市场势必会逐步向海外成熟市场机构化的特征靠近，在这样的趋势下，市场beta特征会越来越强，进而挤压非理性交易带来的alpha空间，因此，在配置层面不仅需要降低对alpha的收益预期，同时也需要配合一定的周期性择时。 在此背景下，我们需要不断增加对于不同策略类型基金经理的储备，以更好的应对配置需求。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，进一步聚焦诺安基金孔宪政、东方基金盛泽、鹏华基金苏俊杰、泰康基金魏军、天弘基金杨超等5名投资框架体系各有特色的基金经理（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。 孔宪政：十分注重对于风险暴露的控制，投资组合完全在沪深300指数成分股内选股并严控行业偏离，整体采用纯粹的深度学习方法，将市场上能够找到的、对预测股价相关的信息全部交给模型，在整个神经网络架构下，根据不同的数据特点，采用不同的子模块进行处理。 盛泽：已将阿尔法模型迭代至通过机器学习进行因子配权，在多个配权模型中优选样本外稳定性最强的模型进行使用。同时，在风险模型端投入了较大精力，除借鉴BARRA归因的基本逻辑和体系自主研发的风险模型外，还有行业景气度模型、风险预警模型等多套风险相关模型，共同协助管理组合行业、风格因子的暴露情况。 苏俊杰：采用传统多因子线性模型与机器学习非线性模型的结合，即多策略的融合方式。其中，线性模型占据比较重要的权重，同时机器学习、神经网络算法等模型的权重在近年来也逐步提升。整体因子储备十分丰富，策略专注选股，不做风格和行业上的过度偏离，整体换手率水平相对适中。 魏军：采用核心基本面模型+量价模型综合打分，阶段性搭配低相关事件驱动策略等卫星策略的方式运作，策略框架呈现均衡化、多样化的特点。团队对于事件驱动策略有着长期且深入的研究积累，并根据市场的演进和变化不断积累事件库。产品严控行业、风格暴露，投资组合倾向于兼具基本面优势和估值优势的标的。 杨超：以传统的基本面因子为主，通过将AI技术融入基本面分析并结合中频量价类因子，打造了基本面+中频量价多因子的策略框架。因子库涵盖基本面因子、量价因子以及机器学习挖掘的各类因子，加权方式偏向因子动量加权。基金经理认为成分股外的超额收益稳定性较低，因此策略主要注重成分股内的选股。 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 孔宪政（诺安沪深300指数增强）4 盛泽（东方岳）6 苏俊杰（鹏华上证科创板50成份增强策略ETF）8 魏军（泰康中证500指数增强）8 杨超（天弘中证1000指数增强）13 风险提示15 图表目录 图表1：宽基指增阶段平均超额表现（截至2024.11.15）3 图表2：今年以来宽基指增累计超额（截至2024.11.15）3 图表3：基金经理量化投资特点（按照姓名拼音字母顺序）3 图表4：基金经理在管量化产品（截至2024.9.30）4 图表5：代表产品累计收益（截至2024.11.15）4 图表6：代表产品阶段风险收益指标（截至2024.11.15）4 图表7：代表产品行业偏离度（%）5 图表8：代表产品成分股偏离度（%）5 图表9：代表产品换手率（倍）5 图表10：代表产品相对因子暴露5 图表11：代表产品相对因子收益5 图表12：基金经理在管量化产品（截至2024.9.30）6 图表13：代表产品累计收益（截至2024.11.15）6 图表14：代表产品阶段风险收益指标（截至2024.11.15）6 图表15：代表产品行业偏离度（%）7 图表16：代表产品成分股偏离度（%）7 图表17：代表产品换手率（倍）7 图表18：代表产品相对因子暴露8 图表19：代表产品相对因子收益8 图表20：基金经理在管量化产品（截至2024.9.30）8 图表21：代表产品管理期累计收益（截至2024.11.15）8 图表22：代表产品阶段风险收益指标（截至2024.11.15）9 图表23：代表产品管理期行业偏离度（%）9 图表24：代表产品管理期成分股偏离度（%）9 图表25：代表产品管理期换手率（倍）10 图表26：代表产品相对因子暴露10 图表27：代表产品相对因子收益10 图表28：基金经理在管量化产品（截至2024.9.30）11 图表29：代表产品管理期累计收益（截至2024.11.15）11 图表30：代表产品阶段风险收益指标（截至2024.11.15）11 图表31：代表产品管理期行业偏离度（%）12 图表32：代表产品管理期成分股偏离度（%）12 图表33：代表产品管理期换手率（倍）12 图表34：代表产品相对因子暴露12 图表35：代表产品相对因子收益12 图表36：基金经理在管量化产品（截至2024.9.30）13 图表37：代表产品管理期累计收益（截至2024.11.15）13 图表38：代表产品阶段风险收益指标（截至2024.11.15）13 图表39：代表产品管理期行业偏离度（%）14 图表40：代表产品管理期成分股偏离度（%）14 图表41：代表产品管理期换手率（倍）14 图表42：代表产品相对因子暴露15 图表43：代表产品相对因子收益15 三季度末以来，市场经历了较大波动，9月末在一系列政策组合拳的带动下A股进入普涨行情，而国庆节后A股高开低走上演大幅震荡行情，盘面风格急转直下，节前涨势良好的板块，节后普遍回调，由普涨行情分化为板块轮动行情。从超额收益角度来看，由于近期指数相对个股仍然较为强势，选股端获取超额收益的难度并不算低，各类指增策略超额表现自三季度开始均有不同幅度的回撤。截止2024年11月15日，今年以来中证1000指增基金平均超额收 益最高（1.90%），国证2000指增基金紧随其后（1.04%），沪深300、中证500指增策略虽获得正超额，但并不显著， 其余指数中，中证800及上证50指增超额表现在今年均有一定的小幅回撤。从超额稳定性角度来看，沪深300及中 证800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，因而三季度以来超额回撤幅度较小，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2024.11.15）图表2：今年以来宽基指增累计超额（截至2024.11.15） 类别 2024年以来平均超额收益 20241Q平均 超额收益 20242Q平均 超额收益 20243Q平均 超额收益 20244Q以来平均超额收益 中证1000指增平均 1.90% 1.14% 3.26% -1.1 9% -2.04% 国证2000指增平均 1.04 % -0.06% 3.44% -0.01% -2.57% 沪深300指增平均 0.36% 0.37% 1. 56% -0.74% -0.95 % 中证500指增平均 0.25% 1.42 % 3.01% -2.58% -2.06% 中证2000指增平均 0.00% 2.63% 3.49% -0.59% -2.14% 中证800指增平均 -0.04% -0.44% 1 .27% -0.21% -0.71% 上证50指增平均 -0.14% 2.25% 0.99% -1 .56% -1.88% 来源：Wind，国金证券研究所来源：Wind，国金证券研究所 由于国内股票市场个人投资者占比较高，天然具备良好的alpha环境，尤其是中小市值股票中，超额非常可观，因而，在过往的几年时间里，国内的量化机构超额水平一直维持在较高的水平。中长期来看，A股市场势必将会逐步向海外成熟市场靠拢，参考美国市场机构投资者占比超过70%，国内市场的机构投资者比例也将进一步提升，在这样的趋势下，市场beta特征会越来越强，进而挤压非理性交易带来的alpha空间，因此，在配置层面不仅需要降低对alpha的收益预期，同时也需要配合一定的周期性择时。 在此背景下，我们需要不断增加对于不同策略类型基金经理的储备，以更好的应对配置需求。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，进一步聚焦诺安基金孔宪政、东方基金盛泽、鹏华基金苏俊杰、泰康基金魏军、天弘基金杨超等5名投资框架体系各有特色的基金经理（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 孔宪政 诺安基金 纯量化，机器学习 神经网络模型，将市场上能够找到的、对预测股价相关的信息全部交给模型，在整个神经网络架构下，根据不同的数据特点，采用不同的子模块进行处理。 已积累3000多个因子，包括基本面因子、量价因子、遗传规划产生的一些复杂因子。基本面因子主要是财报及附注内的定量信息，量价因子除了传统量价以外，也使用到了高频数据，但会进行降频处理。 大多数为人工挖掘 - Barra，行业敞口基本控制在0.6%以内，风格因子暴露控制在0.5倍标准差以内。完全成分内选股。 量化团队目前共8人，深度学习方向主要由基金经理孔宪政及两名研究员负责。不同基金经理采用不同的策略框架，如多因子线性框架、深度学习框架、偏主观框架等，但底层因子库是共用的。 量化团队10人左右，盛泽先生为团 盛泽 东方基金 纯量化，机器学习 主要通过机器学习模型进行因子配 权，包含随机森林、XGBoost、神经网络等多个配权模型，优选样本外稳定性最强、胜率最高的模型进行使用。 因子库包括1000多个因子，包括价值 、成长、盈利、质量、分析师预期、市场动量、事件驱动、大数据等类别 。 量价等偏技术类的因子机器挖掘，基本面因子人工挖掘 。 - 借鉴BARRA归因的基本逻辑和体系自主研 发，行业偏离不超过3%，成分股偏离不超过2%，风格因子暴露不超过0.15倍标准差 。除此之外，还有行业景气度模型以及风险预警模型。 队负责人，主要负责中大盘指数增 强以及量化固收+策略产品，王怀勋主要负责中证1000、中证2000指数增强等需要使用高频策略的产品 。研究员前三年会定期轮岗，之后 确定具体研究方向。 苏俊杰 鹏华基金 纯量化，多策略框架 多因子模型。用到300多个因子，分为基本面、量价、另类3个板块，10个大类，基本面因子占50%~55%左右，量价因子大概 30%，另类数据占到10%~15%。根据相关性、稳定性、逻辑性、换手率、信息比率等因素综合配权。 因子库主要包括10大类，接近5000个因子。基本面因子包括价值、质量、成长和一致预期等，量价因子包含高频