海外量化动态：美国市场趋势与事件 - 美国私募量化在2025年中出现回撤，主要源于“垃圾股”反弹冲击量化组合空头部分，以及高频做市机构与量化alpha管理人策略重合度提高[1] - 高频交易机构为规避激烈竞争和利润压缩，正从纯速度竞争转向短周期alpha预测，使其策略领域接近传统量化alpha管理人[1] - 传统量化alpha策略起源于20世纪80年代，持有周期相对更长、敞口暴露更大，与高频交易资金形成区别[2] - 高频交易与量化Alpha策略的融合始于疫情后，市场波动短期提升使高频策略收益突出，资金量大幅增长，但策略容量有限促使资金寻求分散，转向传统量化交易[2] - Jane Street因愿意承担更长时间的多头暴露获得更多收益，引发其他机构模仿，同时传统Alpha管理人也开始涉足高频交易领域以拓宽收益来源[2] - 高频机构降频（预测周期拉长至日度）与传统alpha机构升频（信号频率提高至小时级）形成向中间靠拢的趋势，目前高频机构降频效果更好[3] - 2025年上半年Citadel收益2.5%，显著低于小型多基金经理制机构如Balyasny、ExodusPoint等7%以上的收益，Millennium也面临类似情况，部分原因在于关税等事件频繁变化导致策略回撤提高[4] - Citadel、Point 72更偏基本面、集中度更高的组合在2025年表现优于其旗舰策略[4] - 印度证券监管机构于7月对Jane Street提出指控，暂停其交易资格并拟处罚其收益所得，指控涉及Jane Street在指数期权到期日使用资金影响期货和现货市场价格走势，Jane Street已提出上诉[5] 海外量化观点：方法论与应用 - 机器学习在宏观量化投资中的应用具有潜力，尤其在利用全球资产截面数据强化时序回归模型、将复杂宏观数据转为alpha信号、以及使用排序模型替代预测模型这三个方向[7][10][11] - 贝莱德在宏观量化研究中应用机器学习方法，例如在久期方向预测中，其模型在疫情后高通胀期提高了通胀变量权重，从而获得更好预测表现[7] - 机器学习方法可将另类数据集通过大语言模型或高维方法与上市公司关联，形成“知识图谱”以生成更完整投资信号，并更容易确定行业高频数据与投资组合的映射关系[10] - 贝莱德使用排序学习方法对不同国家债券基于GDP、CPI进行排序的策略，其组合表现优于单变量排序及线性回归模型[11][14] - AQR研究指出主观收益预测存在偏差，表现为牛市后主观预期更乐观而客观预期更低，金融危机时客观预期上升而主观预期悲观，偏差源于过度外推和反映不足[15] - 价值策略长期表现更好源于过度外推，低估值资产表现常超预期，高估值资产常低于预期，主观收益预期偏差在个人投资者和机构投资者中存在差异，个人投资者更易过度乐观和短视[16] - Invesco全球量化调查覆盖超130家机构，合计管理规模超22万亿美元，显示量化投资趋势包括多资产组合管理中量化使用率提升、因子调整灵活度提高、以及AI使用率提高[19][22][23] - 2024年认为AI未来十年将比传统投资更重要的管理人比例从2023年的13%提升至34%，亚太投资者最为积极，欧洲投资者最为保守[24] 主要量化产品与因子表现跟踪 - 因子轮动类产品中，贝莱德的因子轮动ETF在2025年进一步跑赢对应指数，而景顺的动态多因子ETF在1-4月因低波因子暴露跑赢指数，但后续表现偏弱[30][33] - 贝莱德因子轮动ETF因子选择偏向中性，低波因子、质量因子处于中间位置，成长、价值、动量略有暴露，大市值观点维持不变[33] - 景顺经济周期模型继续提示衰退，因子配置无变化，低波暴露最高，质量、动量继续高配，其国际版本产品8月5日成立至9月30日收益约7%，跑赢基准约1.2%[36][38] - 综合量化产品中，贝莱德Advantage系列和富达指数增强系列为代表，贝莱德产品2025年表现更好，尤其6月以来每月跑赢指数，富达产品也能战胜基准[40] - 机器学习选股产品中，QRFT表现优于AIEQ，AIEQ跑输标普500近3%，而QRFT跑赢近3%[43] - 桥水全天候ETF于2025年3月成立，4月受关税事件影响回撤后快速修复，至10月24日累计收益超15%，规模突破6亿美元，三季度持仓变化不大，债券仓位因波动率变化小幅上升[44][46][47] - 2025年因子表现跟踪显示，2-4月低波因子持续强势，成长、动量回撤明显，但5月以来因子表现回归，成长、动量重回强势，低波、价值类因子表现偏弱[48]