复合背景的纯量化团队，如何打造底仓型产品？

2024年5月10日，一代量化巨擘吉姆·哈里斯·西蒙斯猝然离世。西蒙斯的身后，是一个量化投资极致发展、登峰造极的时代。

由他管理的大奖章基金，在1988年至2019年间怒赚超1000亿美元；量化基金的交易量常年占全市场的75%以上，光是文艺复兴一家就接近5%；市场上“最赚钱的私募基金经理”的名单，也多年被量化基金经理们“霸榜”。

与海外量化市场的“已凌绝顶”不同，国内的量化市场正处于“方兴未艾”之时。

根据《2023年中国私募证券基金年度报告》，截至2023年12月，国内公私募量化产品的合计规模约达1.5万亿，全市场市值占比不超过2%（A股、港股市值合计），A股交易量占比预计在10~20%之间。

另据国金证券统计，截至2023年末，国内量化选股型基金共计236只，管理规模达1284.23亿元，较上年环比增加42.35%，恰是进入稳步发展的阶段。

一个巨大的市场，一个蔚然初成的格局，投资体系完整、组织分工得当、策略迭代迅疾的量化团队显然更容易“脱颖而出”。

• 01

• 复合背景的纯量化团队

在一线公募机构中，广发基金是量化策略供给比较丰富的基金公司之一。

广发基金内部有三支涉足量化策略的团队：一支纯量化团队，以及两支“主动+量化”团队（一支是由稳健策略部总经理林英睿领衔，另一支是由专户投资部副总经理杨冬带队）。既立足于当下市场需要，亦考虑未来的战略发展空间。

而那支纯量化团队，就是赵杰率领的量化投资部。他们以经典的量化投资策略为基础，自主搭建量化投研一体化平台，持续迭代技术策略，并重点提供工具化、底仓型的量化产品。

和主动选股以深度取胜不同，量化团队通常凭借广泛的覆盖和分析来总结普适性的规律，因此更倾向于采用“工业化”的模式运作。整个团队仿佛一台精密运转的机器，每个成员都专注于他们各自擅长的领域，共同推动着机器的高效运转。

广发量化投资部，就是如此实行投研一体的“工业化”模式，每位成员兼顾投资与研究，同时各有侧重，在广发投研平台上共享投研成果，高效运作。

量化本身就是一门交叉学科，广发量化投资部的成员背景也体现出了这种交叉性。核心成员主要来自海内外顶尖高校的数学、计算机、金融工程等专业，从业经验覆盖投研、交易、信息技术等复合领域，部门成员之间各有优势，形成专业互补。

量化投资部由广发基金总经理助理陈少平分管，她的从业经验超20年，曾在泰达宏利、嘉实基金担任基金经理、研究总监、联席CIO。

投资方面，部门共有4名核心投资人员，除赵杰外，还有易威、李育鑫、胡骏，都是在量化投研方面有丰富经验的干才。

部门负责人赵杰，本科和硕士都在清华大学的数学专业学习。他拥有16年量化从业经验、12年量化投资实盘经验，曾在申银万国证券、太平资产管理公司担任量化投资经理，擅长指数增强、多因子量化选股体系等投研工作。

从组合管理来看，赵杰的特点是投资风格稳健，注重量化策略的纪律性，主要采用经研究分析得到的长期有效的alpha因子，因子权重和个股权重根据量化模型进行设置，较少进行人工干预，较少在风险因子上进行主动暴露。

基金经理易威，本科专业是数学与计算科学，研究生学的是统计学，他是广发自主培养的投资人员，入行10年，先后担任股票交易员、量化研究员、投资经理，熟悉程序化交易及市场微观结构分析，致力于通过数据挖掘、量价规律、交易博弈等创新策略提升收益。

基金经理胡骏，量化投研经历超8年，曾任量化研究员，擅长指数增强型策略、Smart Beta策略开发、大数据相关策略的研究开发。

基金经理李育鑫，香港中文大学统计学博士，量化投研经历超5年，他是团队的“技术前沿”，具备扎实的数理背景与数据分析能力，熟悉运用人工智能机器学习算法，在多因子量化选股方向有丰富的经验积累。

研究方面，量化研究员陈旭宇是计算数学博士，熟悉机器学习模型及算法原理，在模型设计和组合优化层面为团队提供研究支持。

图1：广发基金量化投资部投资成员

• 02

• 平台化作战

• 用数据和代码“交流”

公募基金的主动权益团队，通常是通过组建专业、高效的投研队伍，来获取及时、深入的宏观经济、行业信息及公司认知，这也是主动投研体系的竞争力所在。

公募量化团队则不然，他们更强调搭建平台、优化流程和迭代策略，并用数据和代码来交流。

广发量化投资部亦是如此。团队建立了平台化、一体化的投研体系，所有成员的数据、策略都会落在量化投研平台上。平日里，大家既会在平台上做策略的研究、评价、归因比较，也会在平台上观察其他成员的进展，并互相给出建议。

图2：广发基金量化投资部投研体系

团队中的每位成员均兼顾投资与研究，同时各有侧重：一方面，各自独立推进自己的研究和投资工作；另一方面，在广发的投研体系下共享投研成果，交流策略、数据、思想的“火花”。

随着技术的发展和进步，可获取的数据越来越丰富，对此，广发量化投资部自主设计了大数据平台，对海量市场数据进行收集、清洗、处理和提炼，并在此基础上形成了公司的特色因子库。

自2011年以来，团队自主挖掘研发有效因子超过2600个；选股模型储备超20个，涵盖多因子选股模型和AI选股模型；实际有效开发代码超12万行。

“我们的投研交流很直接，就是互相讨论策略的数据表现、回撤、逻辑和归因，内部评价也是比策略、比表现和比回撤，言之有（数）据。”赵杰说。

Linux的创始人Linus Torvalds曾言，“Talk is cheap，show me the code（言语不值钱、关键在代码）”，广发量化颇有此风。

• 03

• 敢坐“冷板凳”

• 专注中低频量化

近年来，公募量化基金的规模与数量均有明显提升。截至2024年4月底，公募量化基金数量超过500只，其中2021至2023年新成立的产品均在70只左右。

伴随量化策略的竞争加剧，如何获取相对指数的超额收益，已成为量化管理人面临的难题。广发量化投资部很早就开始思考这一问题，并形成了一套自己的应对之道。

核心的一点，是确立了以中低频的量化选股策略作为重点方向。

在对前沿选股模型做了大量深入的研究之后，他们充分认识到，超额收益并不是来自于模型或者算力的简单堆积，而是来自于对金融数据的深刻理解。

因此，他们把整体的量化选股策略定位为更适合公募的中低度换手率，既避免了策略拥挤，也更注重长期胜率。

具体来说，团队在选股模型的开发和设计上，充分借鉴机器学习模型的优点，通过深度研读经典论文，并针对量化投资进行定制和改进，重点开发偏中低度换手的量化选股策略。

此外，他们也会根据不同的产品类型和标的指数来设定适合的换手率。对于偏小盘指数的换手率会更积极，对于偏大盘指数的换手率则更低一点，跟股票本身的价格波动属性有较大关系。

除了控制换手率外，团队还强调“人弃我取”“人取我弃”的逆向投研布局能力。比如，将研究重心布置在中长期的收益预测而非短期的交易能力上，和量化惯常的高频作法保持距离。

通过对因子风格特征的钻研，团队开发了多种具有独创性和差异性的量化选股模型，使用的超额信息涵盖基本面数据、交易面数据、另类数据等，为策略提供了长期而持续的生命力。

值得一提的是，团队格外注重基本面和量化相结合的价值。在机器学习模型的开发中，他们倾向于配置较高比例的基本面因子，这种模型的中长期预测更为稳定，有较高的月胜率。

史学家范文澜曾有名言“板凳需坐十年冷，文章不写半句空”，而在广发量化投资部中，也颇有几分要把“冷板凳坐热”的风气。

• 04

• 坚持自主开发

• 发掘“白盒”模型

量化投资经常被称作“黑盒子”，寓意其投资策略上的“不可解释性”和“不可持续性”。这固然隐含了对量化投资隐含风险的担忧。

当模型的过拟合风险造成了样本外回撤，往往会加剧这一印象。而自洽的投资逻辑则是降低模型风险的有效途径，做到“知其然、亦知其所以然”。

因此，广发量化投资部强调，他们的策略要做“白盒子”，投资逻辑可追溯、可解释，亦相对可比较和复制。

赵杰强调说，随着AI和机器学习等技术的介入，部分量化模型的“黑化”程度越来越高。但越是这样，他们越要尽可能地提升模型的可解释性，要对模型的来龙去脉有深刻认知，不能止步于“黑箱”。

为了解决这个问题，团队的核心策略均为内部成员自主开发，关键技术均由内部成员独立实现，较好地避免了策略的同质化和“黑箱化”。

在因子选用和模型设计的过程中，团队追求从因子到模型层面都是有逻辑、可解释的。这样的设计理念旨在确保投资风格的稳健性，同时实现收益与风险的平衡。

正是基于策略的独创性和可解释性，团队在面对市场回撤时，能够保持冷静，深入剖析策略失效的潜在原因。

如果他们经过分析，觉得整体的投资逻辑没有被破坏，只是受到市场短期流动性的影响时，他们便会继续坚守。只有当判断核心逻辑被破坏时，他们才会果断地采取行动。

从这个角度看，广发量化投资部的基本理念和价值投资者们有异曲同工之妙。

• 05

• 保持进化

• 引入机器学习

鉴于AI技术发展得如火如荼，广发量化投资部有引入相关的技术辅助投资么？

赵杰表示，近年来，随着技术的发展和进步，可获取的数据越来越丰富，另类数据的使用将极大地提升模型的选股能力。基于此，团队很早就布局了AI和机器学习等方面的技术和人才，充分利用人工智能技术和先进的计算架构，以扩充因子和模型储备。

图3：广发基金量化投资部因子库概况

具体而言，团队构建了决策树、神经网络等机器学习模型，以挖掘因子和数据中的非线性信息，与已有的线性模型进行集成优化；同时，挖掘新的技术面因子和基本面因子，以扩展因子库，优化改进因子加权方式。

经过针对性的改造和适配，团队发现，加入了机器学习模式及高频因子的策略，对于公募量化产品业绩的提升有较为明显的效果。

作为团队“技术前沿”的李育鑫介绍，业内运用机器学习技术的量化策略主要在于两个方向。

一个方向是协助挖掘因子，显著提升工作效能。在手工挖掘因子的基础上，利用机器学习算法可以更高效地找到不易被发现的Alpha因子，为多因子体系提供额外的增量信息。

另一个方向是整合因子打分，为制定策略权重提供支持。传统的因子复合方法往往采用线性加权的方式，而机器学习则采用非线性的“脑回路”，能提供更高效的整合策略。

李育鑫提到，不同团队在AI技术的细节处理上存在差异，包括模型设计、模型构建、数据预处理和目标函数选择等方面，都需要深入研究和经验积累。在上述方面，广发量化投资部已经逐步积累了自己的优势。

• 06

• 定位工具化

• 打造“底仓”产品

在赵杰看来，很多投资者配置ETF、指数基金作为中长期投资的工具，是希冀获取Beta收益。而量化策略在争取获得Beta收益的基础上，还追求增厚Alpha收益的空间，也不啻为工具化产品的另一个选择。

赵杰表示，广发量化投资部致力于提供指数增强、量化多头、市场中性等可以作为“底仓”的工具化产品，主要具备以下三大特点：

一是设定明确的指数作为基准，锚定基准不漂移；

二是聚焦于选股获得Alpha，不做择时，不做行业轮动，不做风格偏离，在胜率高的地方下注；

三是在追求收益的同时高度关注风险，希望提供稳定而持续的超额收益，追求收益风险比。

要打造这样的“底仓型”量化产品，首要条件便是拥有持续获取相对稳定的超额收益的能力。

“一方面，量化因子的挖掘和补充，是未来持续获取超额收益的重要来源，我们会根据市场情况不断从新的数据挖掘新因子；另一方面，我们会在现有模型的基础上，继续研究从宏观中观维度、因子拥挤度、机器学习等多角度优化因子配权模型。”

放眼未来，赵杰表示，广发量化投资部会继续向另类因子以及机器学习方向拓展，进一步构建从多因子迈向多策略的投资体系。多策略的综合应用，既有助于应对不同风格的市场，也能为不同类型的产品提供更匹配的策略选择。

平台化的投研体系，专注长期的投资理念，不断进化的策略模型以及多元化的因子来源，共同支撑着这支团队在量化投资领域稳健前行。

*以上内容不构成投资建议，不代表刊登平台之观点。用户应考虑本文中的任何意见、观点或结论是否符合其特定投资目标、财务状况或需要。市场有风险，投资需谨慎，请独立判断和决策。

CIS

海量资讯、精准解读，尽在新浪财经APP