广发资管田昕明：复盘，线索识别与绝对收益策略实现_新浪财经

来源：郁言债市

昕明总金句分享

弱势思维的核心是不可以认为我们有判断行业巨大分歧的能力，尤其这个问题是产业技术问题而不是商业逻辑的问题时。

复盘的方法和我们熟悉的基本面研究不是对立的，而是一种有机结合，而且这种结合与我们固收+的产品的底层要求是完全契合的。复盘的目的绝不是输出决策结果，而是：第一，找到市场交易的逻辑和你个人思考逻辑的共振点。第二，在不牺牲空间的情况下，较早的聚焦在可能存在的市场共识的方向上。

行情主线走出来往往有走好、走强、走坏、走弱几个阶段。我们的目标其实就是争取在走好的时候去参与，在走坏之前离开，至于要在左侧等待多久，或者会不会踏空一段主升浪，这个是水平和运气问题，不是思路问题。

尽量不要“做太多难题”。知道重要问题的答案是什么和知道什么是重要问题是两个层面的事情。

行业通识是一种将行业基本面中与股价最相关因素抽离出来的思路，如果行业范式发生很大变化，也会亏钱，会等待较长的时间，这些都有可能发生，我们必须要接受。通识不涉及对行业前沿问题的判断。

泛利率资产投资，我觉得比较重要的一点是框架要稳定，尤其是数据体系要稳定。

感谢大家对郁见投资的关注，第九十五期非常荣幸地邀请到了广发资管田昕明。

田昕明先生，清华大学经济学博士，中国民主建国会会员，在融通基金，平安基金，中金公司等多家机构从事投资研究工作11年，研究领域包括宏观利率，权益策略，以及一些总量相关行业，管理固收混合账户和管理研究团队的经验超过6年，并在6年中连续实现正收益，现任广发证券资管固收投资部混合产品总监，投资经理。

做绝对收益有没有可参考的方法，如何做到连续六年业绩回报为正？

我2018-2021年化差不多是6.5%，含权部分差不多是市场30%分位数，整体不算突出，2022年是3.9%左右的水平，2023年是2.8%左右的水平，这两年相对好一点。

我觉得做绝对收益没有公式，但是有一些投资思路是比较容易得到绝对收益的结果。我认为主要有三个方面：

基于弱势思维的强制的集中度限制
在所有的资产中都坚持高胜率，中等赔率的筛选标准
在资产配置中尽量先满足资产筛选标准，再考虑自上而下的仓位目标

具体展开说：

第一，基于弱势思维的强制的集中度原则，弱势思维的核心是不可以认为我们有判断行业巨大分歧问题的能力，尤其这个问题是产业技术问题而不是商业逻辑的问题时，比如光模块的技术路线，下一代机器人的设计细节对于各个零部件使用量的增减，可以通过累积自己的研究资源，比如公司内部信任的研究员，基金经理，外面的产业专家来提升认知。但是最好结论要有一定容错性，不要非0即1。同时，个股和个券要强制分散，我自己给自己设了三个档1%，0.5%，0.3%，还有一个作为观察仓的0.1%（主要目的是保持对标的的敏感度），再看好也要留有余地。

第二，所有的资产中都坚持高胜率，中等赔率的筛选标准，甚至很多资产为了满足这个标准我们要做胜率赔率转化的，比如有些标的放弃正股买转债就是这样的思路（比如前一个阶段的某机械行业转债）。这需要对于资产的风险收益特征有一些的认知，即使是一个行业内部，不同细分领域在不同阶段，板块的资产的胜率赔率关系都不同，而这不能标签化。

第三，在资产配置中尽量先满足资产筛选标准，再考虑自上而下的仓位目标。我知道很多优秀的基金经理在资产配置、股债比例上面会有很多的想法和框架，但我个人还是希望先有这个单券的约束上限和胜率赔率的标准，看我能挑到多少资产然后再进行微调，仓位最好大部分是一个结果，而不是预设好的目标。这样有两个好处：第一，当市场波动起来，你对组合里的每个资产都知道怎么办；第二，你的仓位和市场资产的相对性价比高度相关，其实我有一种感觉，相对稳定的胜赔率要求反而能让你的仓位产生正贡献。

当然，不可能完全不做自上而下的仓位判断，比如我也做市场范式判断。相应的，胜率赔率的标准肯定也要根据市场状态进行微调，这是一个对立统一，需要辩证看待。有句话说智者的标准就是看他脑海中能不能容纳两种截然不同的想法，其实就有点这个意思。

需要注意的是，这种方法并不是毫无代价，在大牛市中不容易突出，像我也是熊市和震荡市的业绩分位数更靠前。我们是希望能够通过复盘、感知市场的方式尽可能的去修正，但仍然无法完全规避，所以我们从心理上，负债上都要做好这方面的准备。

如何理解权益资产的高胜率和中赔率?

我觉得首先不能标签化这个概念，有的人觉得红利资产就是高胜率的代表，并把这类资产和成长股对立起来，我认为这种思路肯定是不对的。资产的胜率赔率是不断变化的。我举一个大家觉得最不应该属于高胜率中赔率的例子：AI。

2023年一二季度，当时AI是有买硬件和应用的分歧，我们当时选的是硬件，但在那一个阶段是远没跑赢昆仑万维这类产品。现在回过头来，自己认识到了算力的爆发式增长和国内外大模型和应用发展的巨大差异。在那个阶段，我们不但认识不到算力能到这样的程度，甚至很难估计国产光模块的份额是高还是低，或者AI用的光模块能不能填上传统业务的“坑”。但是我们认识到：其传统业务基本上已经触底，不考虑AI可能最多有20%的回调空间，而AI是一个叙事没有过多瑕疵，弹性可能巨大的权，那这个东西就非常符合高胜率，中等赔率的标准。这也就是我们的心路历程。

事后来看，我们当时对AI的所有认知基本上全部是错的，这些标的赚到了第一波20-30%。从产业趋势投资的角度来讲，这个投资做的并不成功，但是我认为这个投资是非常符合固收+底层逻辑的。就是投资决策的容错率高，胜率赔率的特征是符合要求的。

我觉得高胜率和核心就是清楚的安全边际，但这个安全边际的标准很宽泛，不是说一定要预期盈利和估值区间的底部来拍，无论是图形的底部，还是因为特别好的筹码结构引起的底部，都需要自洽。自洽的意思是大概率在当前位置是敢于用分步建仓的方式买满计划持仓量的，不能说是高胜率位置，一跌又不敢按计划加仓。

这样的胜率赔率要求，有一个缺点就是这类资产可能有点偏左侧。很好理解，特别有共识的东西往往不会有很好的安全边际，有时候甚至会有点非主流。如何去解决这个问题，主要就是通过复盘的方法来修正，提高资金的使用效率。

复盘的交易线索是什么？如何从中识别交易线索？

我知道讲这个东西其实挺冒险的，这两年接受度在提高，因为市场波动很大，轮动很快，话语权不在公募基金的手里，市场在逐渐尝试和接受新的方法论。但前几年尤其是19-21年的市场，谈这个可能会让人觉得不入流。我的观点是，复盘的方法和我们熟悉的基本面研究并不对立，而是一种有机结合，而且这种结合与我们固收+的产品的底层要求是完全契合的。我从大概两三年开始思考这个事情，尝试了很多的方法，到了一年前差不多把这个方法固定下来。

复盘主要做三个方面的工作：

确定市场范式，就是感受并判断市场的强弱
确定市场线索，就是观察市场在交易什么，不同方向的资产已经被交易到了什么程度，什么东西持续强势，什么东西由强转弱，什么东西由弱势转稳，有什么新出现的方向，然后聚焦在这些问题上再做基本面研究
结合基本面情况来制定交易计划（既包括持仓标的的计划，也包括观察池的计划）

具体的方法如下：

第一是市场范式的确定。市场范式我将其分为四种：第一，增量资金入场式的上涨；第二，不乏热点的震荡或震荡上行；第三，缩量阴跌或震荡；第四，放量暴跌或流动性丧失式的下跌。针对这四种范式，可能有不同的应对方法。这里面涉及到对于仓位的，以及对于资产胜率和赔率要求的一些细微调整。

这种范式判断粗看比较宽泛，仅看指数涨跌幅，成交量就够了。但是其实不是，这里面有很多结构差异会让真实的市场和状况有差异。

以上一周（4月15-19日）的市场举例：

上一周主流指数上涨，但是市场有将近4000只票在下跌。扣掉17日的市场集体反抽，龙虎榜上大的机构性席位以流出为主。每天的涨停板数量都下降到比较低的数量，而且如果统计涨停的方向，你会发现这些方向的行业性属性比较弱，大多都指向一个逻辑，就是分红率的潜在可能性。这与涨停板数量比较多，且分散在若干个有产业趋势的方向，数量相对均匀的状态不一样。这些数据看下来就会有很多和直观感受特别不一样的东西。要从里面看到资金的活跃度和想法，这是一个基础。

另外，我们还希望从这些数据结构中看到背后的宏观和中观逻辑，然后才能对下一阶段的市场范式做合理审慎的推断。我刚做这一块的时候经常被客户问，你有宏观和利率的研究背景，你怎么将这些自上而下的应用在你的仓位判断和行业配置上？说实话当时我都不知道怎么回答这个问题，对宏观的判断直接投射到行业配置和仓位选择上，套用美林时钟等在我看起来过于武断了。这一两年我逐渐找到一点感觉，宏观研究和仓位/行业选择之间的桥梁就是复盘的方法，能够让你看到市场投射出的总量认知，与你自己判断的差异在什么地方，然后不断的修正。

第二个是主线的判断。这一块是复盘最重要的工作，要回答哪些是持续强势的方向，哪些过去强势的方向再走弱，哪些方向由弱势开始走好但还没有走强，哪些是新出现的方向。行情主线走出来往往有走好、走强、走坏、走弱几个阶段。我们的目标其实就是争取在走好的时候去参与，在走坏之前离开，至于要在左侧等待多久，或者会不会踏空一段主升浪，这个是水平和运气问题，但有没有这个意识就是思路问题。这个工作和传播学的规律是背离的，一般来讲，从传播学的角度来讲，进入你视野的东西大多是走强的东西而非走好的东西。你需要用自己的一套方法来矫正。很多同业抱怨说为什么别人给我推荐的都是拉60度斜线的东西，让我判断的都是行业前瞻的问题，但我想说的是这是传播学的基本规律，如果不通过一些方法来匡正，自然就是这样的结果。

我们复盘主线的方法分为三个方面：第一是交易热度，比如我们会统计很多细分行业和题材交易量的偏离的数据，成交占比在历史上的分位数，北上，两融，基金的交易趋同还是分化的统计。这个数据有很多选择，找到成交量和市场表现的组合有特点的细分领域，比如上一周，出现了AI和机器人两个细分方向成交缩到了一年以来的20%以下分位数。还有比如化工某些细分领域的成交量偏离250日均值超过100%，但是股价的反应还不明显。这些例子多了，就会发现有意思的点，也值得进一步探究原因。

第二是涨停板和龙虎榜数据，这两个值得看的原因是他们是市场观点和情绪最具有锐度的表达，我们用他们来跟踪市场最新锐的观点。比如涨停板这一块，我们是大概累积了2年以来，每天涨停的方向，这个是真实的方向而不是行业分类，然后利用AI来分析每一周的新数据。这里面我们积累了比较多的“提示词”，比如观察有哪些方向是再过去1-2个月较少出现，但是最近有出现的。这之中就比较容易较早的去捕捉倒是市场最新的交易思路。再或者统计不同方向涨停的总个数变化趋势，比较清晰的呈现当前是这个方向的高潮或者低谷。

龙虎榜在数据处理上更加复杂一点，我们通过分析一些关键席位的动向，去找到一些我们比较喜欢的龙虎榜状态，尤其是在特殊交易日的状态。比如，在大跌日，某些我们看重的席位和市场一些比较典型的无方向席位互为对手盘，那这就是一个很有价值的线索。跟踪龙虎榜是一个很流行的方法，但是，绝不能庸俗化理解这个东西，不能跟风买，这个给你提供的仅仅就是一个线索。每个人使用龙虎榜的方法都截然不同，为什么我们跟踪的是一些机构属性的席位，有的交易高手追踪的是一些强游资席位，那就是因为我们的底仓内核时不一样的。

第三是股票相对强弱和形态的统计分析，相对强弱的概念：所有的股票的排序，走的最好的是100，走的最差的是0（综合分析一系列指标）。序数指标的好处是，在弱市中能发现强势，强市中能发现走弱，这些都不是简单的涨幅排序可以涵盖的。积极形态的概念：均线排列，震荡区间突破，创新高，上涨停板，龙虎榜等一系列指标。

相对强弱和积极形态，一方面可用来选个股，另一方面行业和题材方面汇总的统计学意义也很鲜明。比如，发现相对强势比较久，但累积涨幅不大的细分方向。在弱势市场中，有时候相对强弱指标已经连续改善了好几周，但是累积涨幅却很小。再比如：发现某些积极信号高发的行业，比如突破震荡区间的信号多，往往对应颓势行业基本面发生变化，这种行业起手一般不在高的位置。

这几个方面的分析有时候会指向同一个结果，那这个线索就特别值得我们重视。比如这一周，我们就发现某化工的细分领域出现了这样的特征，第一是成交偏离超过250日均值的100%，且没有累积特别大的涨幅；第二是在3个月以来首度出现了涨停板；第三是其成份股的形态上的积极信号持续增加，平均的相对强弱指标也连续4周提升，而且目前累积的涨幅还不大。这在我们看来，就是一个很好的线索。而以此为关键词去研报系统里搜索，却基本上没有什么关注度，这样的研究容错度就会相对比较高。

第三个方面是制定交易计划，一般来讲，更新对于持仓组合和观察组合的认识，提前建立好交易计划有助于降低情绪干扰，避免突然“上头”，这种事后看起来往往都是对的。但如果不做复盘，这一点很难做到的。

说到底，复盘的目的绝不是输出研究结果，而是：

找到市场交易的逻辑和你个人思考逻辑的共振点
在不牺牲空间的情况下，较早的聚焦在可能存在市场共识的方向上

我最期待这样一种工作流，不再是投喂—分析—反馈—决策，而是线索（基金经理发现）—内外部寻求资源—反馈—决策。复盘可以让这种工作方式转变成为现实。

如何确认复盘中的投资线索，怎么解决广度和深度的矛盾？

刚才我们讲到投资线索的识别，其实投资线索的确认和处理其实是更复杂的问题。固收+的团队都不大，我管研究团队时，这方面的研究员就是3，4个的规模，这些人想要做全覆盖，对所有行业都做深入研究，是不太可能的。如何去解决？

第一就是尽量不要“做太多难题”。我们在右侧交易的时候经常需要判断非0即1的产业问题，直接决定了股价的方向。如果对了，回报丰厚，如果错了，损失也很大。这个其实就不太符合弱者思维。相反在左侧，有的时候虽然时间成本可能略高一点，但是安全边际和空间可能通过“行业通识”就能判断出来。这叫做研究容错性在股价不同阶段的非对称性。我刚才讲复盘，其实说到底就是在左侧交易中尽量提升资金的使用效率，尽量去寻找资金形成共识的方向。但是前提还是尽量左侧，不要让这个投资成功的前提是正确回答行业的前瞻问题。比如研究员有的时候推荐的话术经常是如果…那就怎么怎么样，这个如果往往就是我完全无法判断的问题，我只能说你太高看我了，这个问题我判断不了，如果研究员的话术是，就算….那也能….那买起来心里压力就小很多。

不做难题和你能找到简单题是一枚硬币的两面，我们复盘的质量越高，那我们做简单题的机会也就越多。

第二是建立研究通识。我们说的行业通识其实就是按着正常商业分析的逻辑所建立的一个与投资相适应的基本认知。比如行业基本的天花板，中长期增速和供需格局，股价的核心驱动和风险因素，估值体系，行业内部公司的壁垒和竞争要素。有了这些东西，我们能够大概认识到这个资产在这个价格上，按着既有的框架，在不对时间成本做要求的情况下，大概率是可以上涨的。当然，如果行业范式发生很大变化，也会亏钱，或者说行业的积极变化不知道什么时候发生，会等待较长的时间，这些都有可能发生，我们也必须要接受。通识不涉及对行业前沿问题的判断。

行业通识可以通过一定方法来训练，我在平安和广发都做过这样的尝试。我认为3-4人的研究团队，是有希望建立比较全面的覆盖的。有的人可能觉得通识就是泛泛而论，我不这么看，我认为通识其实是一种将行业基本面中与股价最相关因素抽离出来的一种思路，本质上是提高效能的。其实很多买卖了很久股票的经理都未必具备行业通识，还在凭着朴素逻辑做交易。我这里用机械行业的一个例子来阐述我怎么理解通识。

知道重要问题的答案是什么和知道什么是重要问题是两个层面的事情，对于人的要求也不一样，混合经理与研究员可能需要认清自己在行业研究层面的定位才能更好的分配时间和精力。

我的经验，如果较好的积累了行业通识，能够比较好的提出问题，是大概率可以在这个线索还是简单问题的时候赚到钱的。主要的依据往往是，极端的估值，在历史复盘中出现过的极差的经营状态，或者数据明显的改善而市场视而不见等等。另外就是AI出现之后，我们基于通识增加新认知的成本降低了很多。

系统介绍一下AI是怎么辅助投研的？

第一个是在复盘上。比如我们可以用AI去跟踪不同方向的涨停和龙虎榜的个数，持续性，不同的概念方向什么时候是高峰，什么时候到低谷，有哪些新出现的方向。AI可以同时处理大量的文字，图片，表格甚至是结合体。再比如我们在识别一些细分方向是否出现量能放大但是涨幅不要放的过大的时候，我们也会用AI来做这样的模糊的识别。这个和编程有很大的不一样，你可以定义的比较模糊，比如你可以说成交量大体上是放大的，但不要求每个观察周期都放大，AI可以帮你找到这种。比如这个是第二个周期量能掉下来，那个是第三个周期量能掉下来，但总体上都是放大的，编程做这件事就没有AI好，AI能实现这种模糊的编程。他的输出真的还是符合你的阅读习惯的。我们为了获得更好的输出结果，有的时候会半夜三点去run这个流程，因为那时候token是最富裕的。有了AI复盘的效率会大大提高。

第二个是在投资线索的验证和确认上。这里面涉及到一个重要的概念就是prompt工程，这个是人机交互的范畴，就是怎么样更好的向AI提问。我们之前积累了不少分析框架、调研提纲，我们很多的工作放在改造这些内容，这里面有很多尝试，我们甚至把行业研究的圣经“公司基本面清单”全书都改成了prompt。

为了让他们更好的调动AI的智能，需要给他赋予角色，明确信息来源等等。甚至不同的提问时间，是工作时间还是深夜，提示词可能都不同。Prompt是一个需要反复打磨的东西，我们展开这个工作差不多有一年的时间，很多开始使用的提问方式已经被迭代掉了，这个是不能速成，需要慢慢积累打磨的。我印象很深的一次，是麦肯锡的培训，他们给很多公司做了AI投研改造，得出的最重要的结论是，这个改造的效能主要取决于基金经理的参与度。就是你要不断的用，不断的改才能发挥这些工具的作用。

比如我们现在对于不同的行业，有跟踪基本面变化的prompt，针对的是最新的行业纪要；对于想深度研究的公司，有针对年报这种详实资料的由40个问题构成的解析基本面的prompt；对于创新型行业，有专注边际变化的prompt。这些工具可以大大增加处理线索的效率，原来我们一直觉得这个门槛是模型，现在发现不是，门槛是对于提示词的积累和写提示词的水平，这个是要周周用，周周练习才会有积累的。

但这一切的前提还是你们这个团队对于行业有通识层面的积累。如果你对行业只有朴素的认知，那AI也无法加深你的认知。AI仍然是长于对现状的描述，拙于对未来的推测。其实很好理解，回想一下，比如当我们要判断一个资产价格未来的变化趋势时，我们找到了5个驱动因素，这些驱动因素很难是同时指向一个方向的，往往是有正面也有负面的，基金经理的工作就是识别出来哪个是最重要的因素。这一点AI目前，甚至未来可能也是难以替代。最有价值的是顶级的判断力和审美能力。

组合里的债怎么做？

其实之前股票市场好的时候，固收+产品里的债大家做的是比较粗糙的，久期，期限结构上面偏离都不大，但现在显然不能这么做了，我觉得是尽量做到下面三点，当然很有难度。

在不暴露信用风险的情况下为组合尽可能多的累积收益和安全垫
在权益资产回撤期尽量为组合提供较好的对冲，平滑净值曲线
利率研究框架中的要素为组合资产配置提供支持，为权益研究中的中微观线索相互印证

这一点我原来做利率研究员包括管宏观利率研究团队的时候积累了一些方法，主要包括，宏观中观，政策，市场，机构行为几个方面。我觉得比较重要的一点是框架要稳定，尤其是数据体系要稳定。我们之前很少做大专题，基本就是更新数据表，关注数据变化。其实你只有框架稳定，才对数据变化敏感，才好判断这个数据变化是个多大的变化。我们有一个老同事的讨论机制，现在大家都在不同的地方做投资或者管理团队，但每周我们还是基于这个数据框架来讨论一些问题，大家“对齐颗粒度”，所以效率还是比较高的。