文章核心观点 - 何贤发拥有中美量化投资复合背景，曾在美国大型资管机构从事衍生品套利，后回国参与知名外资基本面量化机构中国投研团队和策略框架搭建，横跨量化私募与公募投资 [2] - 超额收益是零和游戏，需理解市场参与者意图、局限性及自身竞争优势 [4][8] - 具有持续性的超额收益需满足三点：规避人性弱点、管理好成本和风险基础上再追逐收益、理解模型的局限性 [4][11] - 成本是比风险更重要的考虑因素，每笔交易成本必然发生而风险未必发生 [4][15] - 公募量化在信息质量上有优势，私募量化在处理信息速度上有优势 [4][17] - 所有Smart Beta过去都是Alpha，赚钱方式一旦被更多人发现就会衰减和周期化 [4][21] - 公司建立精细化分域、动态更新的投资地图，将所有股票划分为成长、均衡、价值、特殊资产四大类 [4][25] - 高胜率的本质是尽可能找到多元低相关的阿尔法策略并揉在一起 [4][30] - 投资目标为超额收益则以截面模型为主，投资目标为绝对收益则以时间序列为主 [4][37] - 评估策略有效的核心建立在空间、时间、相关性三大角度分析 [4][39] - 工作并非证明自己是对的，而是去逼近事物本质 [4][40] - 在AI时代提炼投资品味变得更为重要，真正影响策略的核心是如何评估信息、区分Alpha型信息与Beta型信息 [4][31] 超额收益的零和博弈特征与竞争优势 - 市场中有形形色色的参与者，需理解大家意图、局限性及相对竞争优势，不断探究市场真相才有机会赢得超额收益游戏 [8] - 量化投资竞争优势分两块：高频量化的速度优势，通常在硬件和通信系统上建立竞争优势；低频量化的策略预测能力 [10] - 两种竞争优势分别对应私募量化的自营和资管模式，前者容量小类似印钞机，后者容量大适合资管行业需不断提升预测能力 [10] - 规避人性弱点方面，只要有人参与的市场都或多或少体现人性弱点，如高度自信、有限理性、有限注意力等，人性弱点意味着错误会重复发生，用行为金融学提取规律挖掘有效因子 [11] - 管理成本和风险方面，量化策略最后一步是构建组合，需在收益、风险、成本三者之间做动态平衡形成综合最优解，很多alpha机会看起来有吸引力但成本没管理好就不应该去做，交易成本会确定地持续侵蚀本金 [11] - 理解模型局限性方面，所有模型都基于历史规律做提炼，未来市场会发生从未经历过的事情，公司形成了一套应对"逃生指南"的机制避免被意外冲击绞杀 [12] - 2015年8月14日央行汇改后美股发生剧烈波动，衍生品头寸遭遇历史回测从未出现过的冲击，短期极端非线性冲击不仅是账面亏损甚至是难以平仓止损的流动性风险 [13] - 主动量化部的主动部分是指主动管理风险 [14] 公募量化的竞争优势与信息质量 - 量化投资可划分为技术驱动和策略驱动，在策略驱动的量化投资中公募基金有相对优势 [17] - 公募基金有大量产业数据和调研信息，在沪深300、中证500和中证1000上有更强的股票定价权，这几个领域的主动量化产品会在公募基金实现大发展 [17] - 未来量化投资会在大盘中竞争，过去私募在小盘股有丰厚超额收益，但随着小票阿尔法变得过度拥挤而被挤压，未来更多资金会流入容量更大的大中盘量化策略 [17] - 今年公募量化表现不输给私募，很多公募主动量化有明显正超额，而私募量化今年业绩分化较大，依赖小盘股获得超额的管理人今年会比较难受 [17] - 信息处理与信息质量差异的比喻：往足球场丢一根针，高频为代表的顶级算力直接做地毯式搜索；低频为代表的基本面投资更多依赖提问，通过分析和推理更精准缩小搜寻范围，体现人的智慧大脑与硅基武器的高效结合 [18] 基本面量化的方法论 - 基本面量化是逻辑+数据的双重验证，这种验证可跨时间和地区，帮助找到普适性投资规律 [19] - 基本面量化做泛化，不只是来自纯财务数据，投资逻辑也可用另类数据进行验证，只要数据对决策有影响 [19] - 基本面量化慢慢变成一种系统化投资，不完全依赖历史回测验证，许多逻辑是长期对市场思考中不断积累下来的 [19] - 系统化投资的决策链条更像主观投资，但严格遵循规则和纪律化的执行 [20] - 所有Smart Beta过去都是Alpha，一个因子的有效性会夹杂许多噪音，可分解成会衰减的alpha和周期两个部分，一旦Alpha演变为周期性就和Smart Beta一样 [21][22] - Alpha因子用的人多了价差会被压缩就无效了，Smart Beta有动量效应和均值回归特征，好的时候很好差的时候很差，呈现明显风格特征 [22] - 有些策略历史数据回测很好但需做归因分析理解底层收益，一些看上去的Alpha其实是某种结构性暴露，本质是在买一类资产，这是典型的错把Beta当做Alpha [22] - 用价值因子做筛选容易过度暴露在国企，因为国企估值整体比民企便宜，价值因子在2024年中特估行情中表现特别好，前些年又有过很不好的年份，是因为价值因子会持续对国企有正暴露 [22] - 把价值因子的国企和民企做中性化处理后净值表现会稳定很多，在Smart Beta基础上增加一些Alpha且稳定性得到提高 [22] - 投资的终局是不会有Pure Alpha，当未来市场全部机构化后就会变成完全有效市场，美国已经在接近这样的状态，中国市场由于投资者结构差异目前Alpha还比较丰厚但长期会被压缩掉 [23] 精细化分域投资地图 - 策略框架统一，不会根据沪深300、中证500、中证1000等不同基准做不一样模型，但会根据不同类型资产运用不同策略能力 [25] - 强调精细化分域、动态更新的投资地图，将所有股票划分为成长、均衡、价值、特殊资产四大类，进一步划分为56个一级行业和253个二级行业，分域颗粒度比传统行业划分更细致 [25] - 不同类型股票资产背后有不一样的投资人群会形成不同交易特征，成长资产往往是相对收益投资者更具有定价权，价值股持有者很多是绝对收益导向，两类投资者投资目标和思维模式很不一样但各自都有比较稳定的定价体系和交易行为 [25] - 对资产的划分按照定量数据+定性逻辑的方式，一旦行业逻辑发生变化会动态更新分域投资地图 [26] - 传统行业划分把玻纤和水泥都归类为建材，但今天玻纤和水泥背后变成两拨完全不同的投资者在交易，公司把玻纤从传统行业拎出来调整到成长类资产中 [26] - 每一个季度都会做固定更新动作，除此以外也会有不定期调整，通常用量价特征去观察一些行业的异变 [27] - 去年用量价特征发现玻纤的股价波动和水泥变得显著不同，相关性也在降低，倒是光通信和玻纤的相关性开始变高，只要把数据做得足够细就能看到行业异变再用逻辑把异变原因抽离出来 [27] 高胜率的本质与AI应用 - 高胜率的本质是尽可能找到多元低相关的阿尔法策略并揉在一起 [30] - 公司既有基本面策略又有量价策略，前者从长周期挖掘阿尔法后者从短周期挖掘阿尔法，基本面规律适合大中盘量价规律适合中小盘，两大策略相关度很低，策略月胜率回测比较令人满意 [30] - AI最早用于做机器学习找到因子和收益之间的关系，之后被运用到端到端的深度学习，给AI投喂原始数据特征，AI能通过神经网络构建关系不再需要自己写有效因子 [30] - AI的出现一方面提升了工作效率，另一方面识别人脑看不到的深层次规律，但AI并不能替代把控投资的方向盘，因为AI无法识别信息的真伪，如果投喂假信息给AI那么AI也会基于此做出错误决策 [30] - 在AI时代提炼投资品味变得更为重要，真正影响策略的核心是怎么评估信息、哪些是好的信息哪些是假的信息，AI解放了双手可以有更多时间锤炼思考力 [31] 产品线与客户痛点 - 来到国联安基金后第一件事是和不同类型的投资人深度沟通，包括银行渠道客户、保险机构投资者等，了解不同痛点从而设计解决这些痛点的产品 [33] - 一个较普遍的痛点是指数增强产品在强beta阶段通常跑不赢ETF，因为ETF能够实现100%满仓而主动量化和场外指数增强产品的仓位上限约束在95% [33] - 在产品策略结构层面做了调整同时把衍生品策略加进去，策略调整后的指数增强产品股票部分仓位中枢一般在90%，但也能比较好地在上涨行情中跑赢相关指数基准 [33] - 今年4-6月份这一轮上涨行情中国联安科创综指增强排名很靠前，显著跑赢了同期的科创综指基准 [33] - 第二件事是在国联安基金实现了交易链路的自动化，私募基金能够直接交易延时很低，而公募基金有严格风控还有各种交易层面限制，过去交易员也是通过手动下单完成交易 [33] - 在交易链路上做了更多精细化调整，许多在私募比较容易实现的自动化、低延时交易在公募基金比较难，包括对股票集中度的限制、交易层面的风控等，用半年时间全部梳理清楚链路打通，也帮助公司优化了交易执行效率 [34] - 未来产品布局主要在主动量化和场外指增，公募基金的主动量化未来可能会分流私募量化的管理规模，扣费之后收益率更高更有性价比，过去两年公募基金主动量化和私募产品的超额差距在缩小，主动量化规模这几年增长很快 [35] - 除了对标全市场的主动量化还会推出各类风格指数的增强，包括主流的价值和成长风格，这类产品力求在相同风格的权益型基金中提供更有竞争力的收益风险比 [36] - 产品线布局上会为持有人挑选出比较好的Beta，比如885001（万得偏股混指数）的增强，会模拟出主动权益基金的持仓在这个指数上用不同模型做增强，过去三年投资者越来越关注到这类型的主动量化产品 [36] - 从相关性角度看有基本面策略和量价策略两种增强方式，分别各自覆盖了成长、价值、均衡三种风格，互相整合后彼此之间相关性很低，风格之间的低相关性+策略之间的低相关性最后或许就能成为一个高胜率的产品Alpha [36] - 量化模型归结为两大类型：做截面的和做时间序列的，以"固收+"为例作为一种绝对收益目标的产品就需要引入时间序列类型的模型包括仓位、组合结构、风格轮动等，投资目标是超额收益就以截面模型为主，投资目标绝对收益就以时间序列为主 [37] 团队系统化建设 - 在研究端把考核划分为研究成果、研究质量、研究效率三大部分，研究员主要工作是对数据提炼成底层逻辑，有数据验证的逻辑是模型最核心的部分，有一套标准化的研究系统，研究员更多是对逻辑层面的迭代 [39] - 在投资端把研究成果变成落到纸面的账户收益，包括业绩相对排名要在靠前位置、产品超额收益要为正、回撤也要可控等 [39] - 真正决定长期质量的是研究决策也就是如何评估不同的数据，评估策略有效的核心建立在空间、时间、相关性三大角度分析，去判断哪些是Alpha哪些是Beta，能通过进入到体系的策略大概率是Alpha，但如果和另一种策略相关性太高那也进不来 [39] - 团队文化强调第一性原理，工作并非证明自己是对的而是去逼近事物本质，尽量把自己放在比较空杯的状态试图找到真正的客观规律 [40] - 不断在做有限资源的最优化决策，每一个研究方向、质量、成果都是有限资源下的最优化平衡，每个决策都有各种成本并不是每一件事都值得去做 [40] - 机制上按照贡献分配且贡献可测量，在一段比较长时间中评估每个人不同贡献程度，把大家得到的激励和贡献形成合理的线性关系 [41] - 形成优胜劣汰的机制，优秀的人往往只愿意和优秀的人共事，如果团队中有成员贡献的研究成果质量不佳却被容忍和采纳那么其他人也不愿意把自己最好的研究成果贡献出来，短板的那一环会限制策略的上限 [42] - 在基本面、量价、投资地图、策略配置等方面都有专门同事负责，只有彼此互相认同才能形成一套正向循环的投研模式，要找到胜任的人也要在动态过程中持续优化 [42] 个人系统化思考与团队状态 - 像机器一样进行思考：输入端是什么、输出的标准动作是什么、定期复盘历史决策做归因分析，对自己建立一套可不断优化的决策机制，知道预期和结果之间的差异是什么，找到问题后变成可执行的动作 [44] - 用直面压力的方式去化解压力，把压力转化为迭代系统的信号 [45] - 喜欢做复盘，在复盘中记录观察到的世界运作规律，习惯早8晚8的工作节奏保持一种"匀速"的努力状态 [46] - 参考海外成熟市场量化投资的竞争格局，公募量化未来很可能也是马太效应，不能天天追着热点跑时快时慢而是要保持向前的速度 [46] - 国联安主动量化部的策略经过多年实盘验证，在公募实战目前也磨合到比较丝滑的水平，团队Central Book机制运行顺畅，已经逐渐进入了最佳的状态 [46]