摩根有“红利”，胡迪在好贝塔上的阿尔法挖掘_新浪财经

导读：哥伦比亚大学，是价值投资的殿堂。在那里，巴菲特遇到了一生的恩师格雷厄姆。今天，哥伦比亚大学的价值投资课程依然是全球较具影响力的课程，一大批投资大师都是这门课程的座上宾。

毕业于哥伦比亚大学金融工程系硕士的胡迪，在这所价值投资殿堂第一次理解了价值投资和数据量化的结合，也影响了她之后的投资生涯。今天，作为摩根资产管理中国指数及量化投资部负责人，胡迪的从业经历横跨中美，投资框架也横跨基本面和量化，她在海外做过量化投资，也在国内做过券商自营的高频量化，又在公募做过主动量化，这些独特的经历使得她的量化策略更主动，又融合了国际视野和本土化的规则。

独立和低相关性，是胡迪量化策略底层思维的核心。在美国工作多年的胡迪深知，任何一个策略的有效性都会随着外部环境发生变化，甚至有些策略的生命周期最短只有三个月。如同罗闻全教授在《适应性市场》一书中提到的观点，市场本身如同一个具有进化系统的生态，要生存下来的唯一途径是保持进化能力。

带着这样的底层思维，胡迪在传统的多因子模型框架上，叠加了事件驱动的卫星策略，以及运用机器学习寻找规律、挖掘文本信息的统计套利策略。这几大策略之间的相关性较低，甚至能够在不同市场环境下实现比较好的对冲，或可以使超额收益更加稳定可靠。

从多因子模型角度而言，胡迪构建的模型具有较强的“反脆弱性”，她会通过全市场、行业/主题分域、剩余残差三个层次逐渐回归的方式，形成更清晰的模型逻辑链条。胡迪对模型的处理和检验，也加入了量化工具和主观判断相结合的方式。在运用机器学习算法对残差进行处理后，胡迪和她的团队会对模型挖掘的统计规律再做一次人工检验。

在量化投资上，胡迪呈现了较强的主动性。她非常看重统计规律的可解释性，并考察与既存指标是否存在较强的共性。通过一次次的人工复检保持模型的稳定性、适当规避过度拟合问题。正是通过这些具有独立阿尔法来源的策略，可以争取差异化的超额回报。

在多个独立的阿尔法策略之上，胡迪也非常重视对细分贝塔的选择。由于在中美都做过量化投资，胡迪发现中国是全球少数无法完全对冲掉贝塔的资本市场。这意味着，选对贝塔的重要性不亚于策略的阿尔法能力。

而胡迪很早就选到了红利赛道，并且从2021年开始就和她的团队开始布局一系列的红利产品。能够前瞻性看到红利赛道的机会，胡迪有三个关键因素：

1）红利是海外风格类ETF中规模相对较大的，超过了4000亿美元，而国内红利类产品的供给占比一直很小。即便到了今年一季度也只有不到1600亿元，相比于6.6万亿的股票型和混合型基金规模，占比在2.5%左右。供给端上显著落后成熟市场。（资料来源：万得，彭博，截至2024.03.31。）

2）红利风格无论是港股还是A股市场，都长期跑赢宽基指数，体现了超额收益的长期有效性。（资料来源：万得、中证指数有限公司、恒生指数有限公司，数据区间2014.07.01-2024.06.28，中证红利全收益指数、中证全指全收益指数、恒生高股息率指数全收益指数、恒生综合指数全收益指数近10年年化回报费分别为13.70%、5.05%、6.16%、1.46%。指数的过往表现并不预示其未来表现，也不构成对基金业绩表现的保证。）

3）胡迪和她的量化策略，或能够在红利产品实现较佳的效果。许多人会误以为红利风格就是对应一些大市值股票，事实上，万得数据显示，过去三年具有稳定分红的股票数量高达800-900只，其中不少中小市值的公司并没有被卖方分析师所覆盖。况且，投资红利的一个重要原因是看中股息率。一旦股价上涨，对应的股息率就会下降。那么量价策略就会在红利资产中带来更强的竞争优势。特别是进入红利风格的下半场阶段，大贝塔的收益告一段落，未来阿尔法的占比或将显著提高。

从华尔街到陆家嘴，从哥伦比亚大学到摩根资产管理在中国的量化投资负责人，胡迪一直在进化她的量化策略。投资的世界就像我们的生物世界，进化或是提高存活率的唯一途径。她亲眼见证了2008年的美国金融危机、2014年底的A股量化“黑天鹅”事件、以及2024年初的A股微盘流动性危机。每一次危机中，那些不具备适应性的策略和团队或会被淘汰出清。也正是在这样的经历下，胡迪的阿尔法策略独立、具备适应性，她挖掘的贝塔方向具有生命力。她也把多元化的Alpha和长期较好的Smart Beta相结合，给我们带来了她正在发行的摩根红利优选股票型基金。

以下，我们先分享一些来自胡迪的投资“金句”：

1.中国有许多行业层面的特色，需要通过和主动投资的结合，进一步形成更加细化的规则

2.我们的核心Alpha模型是基于多层次回归构建的多因子模型

3.作为我们量化投资中卫星策略的事件驱动策略，通常会有整体仓位控制

4.我们的风险模型主要沿用Barra的模型体系，并加入中国市场的特性元素

5.我们不能预期所有的策略都能有效，但是找到一个个独立或者低相关的超额收益来源很重要

6.从公募基金规模占比看，红利基金占到全市场公募基金管理规模不到1%，仍有较大发展空间（资料来源：万得，截至2024.03.31。）

7.我们做了A股红利策略产品的超额收益归因，发现绝大部分收益是来自量价策略

8.我们不会把一个红利标签的龙头公司从头拿到尾，但力争保持组合始终处在一种纯粹的高股息率风格下

9.我们坚持做量化投资的出发点是热爱，不是因为压力驱动我们前行

10.我们采用投研一体化的方式运作，团队稳定性强

海外量化思维的本土化定制

朱昂：你曾经在海外工作和学习很多年，也在国内外的卖方和买方工作过，能否谈谈你如何在量化层面建立一套适合中国本土市场的投资体系？

胡迪海外量化和国内量化在研究、策略、模型的开发流程是一样的，都是希望找到不同市场环境下，能够对未来有预测作用的一串指标。然后把这些指标形成一个有效的策略，争取构建出风险收益比最佳的投资组合。两地市场的不同在于交易规则和监管上的区别，使得我们做策略研发的时候，要结合两地市场的差异性。

交易规则上主要的不同在于国内市场缺乏有效的做空机制。我们现有的几个股指期货都是对于一篮子股票设计的，个股层面没有风险对冲的工具，会限制一部分绝对收益策略的落地。我们在做策略模型时发现，做多市场打分前10%和做空市场打分后10%的多空策略有效性很高，但是超额收益主要是空头部分贡献的。做空因子的超额曲线很漂亮，做多因子其实没有什么收益。做空因子收益那么高的原因是，很难被大家真正获取，这也是为什么国内的融券成本一直很高。由于无法做空，这种因子的有效性对公募基金产品没有直接的意义。因此，我们不能简单照搬行业有效的模型。

另一个不同是中国有许多行业层面的特色，需要通过和主动投资的结合，进一步形成更加细化的规则。比如说中国银行业的银行拨备很特别，每一家银行可以自主决策银行拨备的额度，这个金额大小会对银行的净资产产生很大影响。甚至有时候银行拨备，会成为银行调节利润的一种手段。这时候，我们用量化因子测算银行的财务数据时，就需要把银行拨备放进去，否则得到的数据未必准确。

朱昂：确实，国内市场会受到一些交易限制，而且相比私募量化，公募量化的交易限制更多，如何在这些约束条件下去，获得超额收益？

胡迪相比于私募量化，公募量化在交易频率和持仓限制的风控更加严格。但即便面临一些限制，我们认为公募量化依然有多个途径来帮助提升产品的超额收益，其中相对重要的部分就是基本面量化。公募基金的相对优势是具有比较强大的主动投研团队和固定收益团队，能够对大量的产业结构做深度研究。

就像前面提到的银行业例子，需要主动投研团队帮助我们把结构性数据拆细，更好反映公司真实的基本面情况。同样的情况也能用在房地产行业。由于房子是预售模式，中国房地产行业的收入指标会比利润指标重要很多，利润确认会在收入确认的两年后。我们就会在模型中，对收入和利润指标的权重做一定调整。这些具体行业的独特数据理解，都是需要平时和行业研究员不断交流才能做结构化的。

其次，市场对于高频交易的有效性也有些过度“神话”。高频交易的信息源是独立的，可以看作量化交易中一个独立的品类。如果把这个品类的阿尔法来源分拆出来，一定有基本面的收益、也有交易的收益。我们团队早年在券商自营的时候，就专门做过高频交易的超额收益数据分析。我们把有效的高频信息数据做低频化处理后，发现依然能够在公募量化产品上实现超额收益。

况且，目前的监管对私募量化是趋为严格的，大家常用的股票多空、日内回转、融券T+0等交易策略都会面临挑战，这将会导致私募量化的超额收敛。而公募量化产品的监管本身已经是更为严格的，所以对公募量化产品的影响并没有太大影响。

朱昂：过去几年，公募基金许多量化产品的超额收益主要来自市值因子的小盘风格，能否谈谈摩根资产管理中国量化团队的多元化超额收益来源？

胡迪我觉得量化在中小盘的超额收益需要分两个角度去理解。

一方面是，中国的中小市值公司相比海外有更高的流动性和换手率，确实能够给量化策略提供交易层面的超额收益空间。量化也能够在中小市值公司中，体现出更强的竞争优势。

另一方面是，如果只是对市值因子做过多暴露，就变成了一种贝塔策略。判断贝塔的难点在于，我们很难判断下一个阶段这个贝塔对收益的贡献是正面还是负面。就像今年年初的时候，当小盘因子的贝塔暴跌时，大量做过多暴露的量化产品就会受伤很严重。

我们内部对交易风格的敞口有严格限制，所以即便在今年初我们的产品也有一些回撤，但这个回撤并不是来自市值因子上的过多暴露，而是许多投资者由于微盘股丧失流动性后，出现了流动性溢出的冲击。这种溢出冲击在之后通常可以很快得以恢复。

多因子分层回归的量化框架

朱昂：我们看到在摩根资产管理中国的量化策略中，主要包含了多因子、事件驱动、统计套利三大类型，能否谈谈这三大类的量化策略，以及如何混合在一个产品中？

胡迪通常来讲，阿尔法策略就是找到超额收益的驱动指标。超额收益的来源有两大类：

第一类是股价和基本面以及景气度边际变化的偏离。这是包括主动权益和量化投资共同寻找的阿尔法来源。我们会看一系列的基本面相关指标，包括盈利、成长、利润调整度、边际变化、预期变化等。这一类阿尔法策略的好处是，超额收益的逻辑基础很扎实，符合企业的基本分析框架，通常也不会失效。

但是基本面阿尔法来源有两个问题：1）数据过于低频，可能几周、甚至几个月才更新一次。那么在缺少基本面数据的空窗期，就很难把握股价的波动；2）通过基本面获取超额收益的人很多，一旦出现机构投资者的负债端赎回，即便公司的基本面没问题，流动性层面的负贝塔也会带来负面冲击。这也是为什么2023年许多股票基本面没问题，但由于持有的机构过于同质化，发生了机构投资者赎回带来的回撤。

第二类是我们在券商自营期间形成的统计套利策略。在统计套利中，我们并不关心具体公司的基本面，只关心谁在买入和卖出，通过买卖的交易行为找到一些统计规律。统计套利天然是独立的收益来源，不受基本面和景气度的影响。这类策略由于是相对高频的，也不太受市场大环境的影响。在流动性很好的时候，统计套利的有效性更强。

总体来说，这两大类策略构成了一条相对稳健的超额收益曲线。每年的季报期，基本面相关的指标通常会表现比较好。在没有财报期的时候，交易指标的表现通常会表现比较好。通过把这两大类基础策略结合后，可以争取比较稳定的超额收益。

我们策略框架的核心是构建基于多层次回归的多因子模型：

第一层回归基于全市场股票均适用的共性因素。我们会找到适用于全市场所有公司的共性指标，比如说利润率、杠杆率、利润周期、分析师边际预期的改善、资金持续流入的量价形态，通过把每一个普适性指标做回归，能够解释收益中的很大一部分。

第二层回归，我们会做聚类分域，不同行业/主题会有一些内部共同的驱动因素，也是指引公司未来预期更重要的指标。这类因子的挖掘难度往往较大，一方面需要对行业有足够的认知，另一方面部分行业数据量相对有限，不足以建立统计覆盖性。总体来看，需要逐一攻关，理清行业逻辑的同时，能够找到覆盖度和持续性均较好的数据，才能形成一条行业内的规律。

就像前面提到的银行拨备、房地产预售都属于特质因子。这类因子在其他行业不一定成立，但是在某个特定行业或主题特别有效。我们希望在股票上涨和下跌的过程中，找到一些共同的决定因素，也就是这一批股票的某个类别。比如说“中特估”，就是不同行业中一批股票的共同类别。

我们把第一层和第二层回归之后，能想到的逻辑能够解释的收益驱动因素都已经被拆分清楚，通常就会剩下百分之十几的残差。这些残差放到一些数据模型中，通过一些神经网络、人工智能、或者逻辑树的算法让机器去帮助我们找到统计逻辑规律。

但结果必须经过人工检验，我们十分看重统计规律的可解释性，并考察与既存指标是否存在较强的共线性。人工复验能够帮助我们增强逻辑模型的稳定性，也避免大数据策略中的过度拟合问题。

整个三层就是我们基于多层次回归构建的多因子模型。

事件驱动策略是我们的卫星策略，通常会有整体仓位的控制，主要使用自然语义分析进行文本信息的处理。这些文本的来源主要包括研究报告、公司公告、新闻网站等。对于有正向文本信息的个股，我们会进一步运用其他维度的分析决定是否入池。这个策略的优势在于，可以帮助捕捉到高赔率个股，在结构市或市场活跃度比较高的时候表现突出。

对于因子的挖掘和淘汰均是动态持续的过程，我们的因子库包含了数百个人工挖掘因子，均具有较强的逻辑性和可解释性。除此之外，还有大量机器学习挖掘的因子储备。在因子的加权上，由于经历了三个层次的回归，提炼了多种频率、适应于全市场、适应于特定域的多样化选股因子，并采用非线性方法进行整合与权重分配。

朱昂：前面提到第二层的聚类因子你是如何挖掘的，很多时候在市场变化的过程中，才会出现一些新的类别，比如说前几年的“核心资产”，这两年的“中特估”都是这几年才出现的？

胡迪对于新产生的聚类因子，我们会先归结为风险因素，因为我们还无法判断涨跌的驱动因素是什么。之后我们再去理解是由什么共性导致的，找到这一个类别的股票。

我们策略中的风险模型主要沿用Barra的模型体系。传统的Barra模型很少包括中国市场特有的主题特征。通过自建风险模型，能够比较好加入中国市场的特性元素。

找到互相独立的阿尔法来源很重要

朱昂：超额收益的稳定性很重要，一个有效的模式很容易会被模仿学习，导致超额收益衰减，如何保持你们的超额收益稳定性？

胡迪要保持超额收益的稳定性，必须对因子模型进行挖掘，不断研发有效的量化策略。

首先，当年在美国工作的时候，大家常说一个因子最短有效期是三个月。可能三个月后，一个因子就不再能提供超额收益了。我是从超额收益因子很难挖掘的美国市场过来的，相信大家也很少听过有标普500指数增强这种产品。所以，我也已经习惯不断更新算法，通过引入数据源来改变现有因子。

当一个思路被市场上所有的公募量化团队知道后，通常会在一年内失效。要保持超额收益，独立思考是非常重要的。

其次，我们团队主要通过多元化的策略，争取多个独立的阿尔法来源。原则上，我们不能预期所有的策略都能有效，但是找到一个个独立或者低相关的超额收益来源很重要。就像前面提到的交易型阿尔法和基本面阿尔法两者是低相关的。

最后，对新的数据处理技术要保持敏感。金融行业过去10年比较大的变化就是大数据。量化投资本质是通过解锁数据找到有效信号。今天，我们处在一个数据无处不在的时代，比历史上任何年份都相对容易获得。摩根资产管理在美国，已经尝试通过机器学习的方式解构美联储的公开发言。据IDC 预测，到2025年中国80% 以上的数据是非结构化数据，不过目前国内大部分量化处理的还是结构化数据。

机器学习能够帮助我们提取非线性化的数据，而且随着数据量的增加可以不断改进算法的性能。当然，驾驭机器学习的难度也更高。我们不会让“黑箱”指导投资决策，但也会对市场上的算法保持高度关注。对于市场上所有的方法论，我们都希望能够知道。一旦某一种算法是可行的，我们也希望自己能快速赶上竞争。

朱昂：能否谈谈你们平台的另类数据是如何挖掘？

胡迪另类数据指非传统来源的数据，比如说卫星图像、社交媒体情绪等。在量化投资中，我们会把另类数据作为一种新的信息源来处理。我们目前的另类数据，还是以分析师报告的文本为主，但是在数据层面做了不同的处理。

分析师预期一般是基本面因子中较为有效的数据之一，随着使用的人越来越多，这个数据有效性也在快速衰减，逐渐成为一个贝塔化的因子。我们的做法是，改进这个数据的稳定性。

我们通过颗粒度更细致的文本处理技术，对每一篇报告做数据清洗后，形成了一个词汇量语库。通过对每一个行业拆分出正向语库和负向语库，用非线性联动让模型能够考虑多维度的信息。

另类数据还包括一些大家不常用的数据，比如说周期行业的供应链数据、公用事业的交通流量数据等，这些数据有一定的行业属性。摩根资产管理的全球化平台有非常多的另类数据包，其中也包含对中国公司的覆盖。（基金管理人与股东之间实行业务隔离制度，股东并不直接参与基金财产的投资运作。）

一个共事接近10年的默契团队

朱昂：能否谈谈主动量化中的主动部分，会体现在哪些层面？

胡迪国内主动量化的缘起在于指数增强，一开始主要是做沪深300的指数增强，这两年又开始做偏股混合基金指数的增强。从指数增强的产品看，跟踪误差会对量化投资产生比较大的限制。就像沪深300的指数增强，只能在全市场5000多只股票中的300个沪深成分股做选股。如果对标的指数表现不好，就拿不到好的收益。

如果市场的机会不在沪深300，而主动基金的表现又特别强。这时候就需要对公募量化做一些求变。

大家做的第一个改变是把贝塔和阿尔法分拆，认为偏股混合基金指数的增强是有意义的。因为从贝塔层面看，主动权益基金是可以实现超额收益的，这也是行业的价值所在。我们在这个优化的贝塔上叠加一层阿尔法。

再往后大家会有各自不同的做法，比如说有些人发现市场不断在价值和成长的风格轮动，每一种风格都有自身周期，就开始做量化的风格轮动。公募量化的主动性，也体现在对基准的选择，把选股池从之前的几百只拓展到全市场。

相比之下，我们更加被动一些，只是对跟踪误差做一些放宽，让选股池放大。我们自己不会做主动的风格判断，会对一些风格偏离做限制。这也是为什么我们模型中对市值偏离、波动率等有严格的控制。我们也会对一些长期有超额收益的因子做暴露，比如说盈利、质量等。

朱昂：量化投资相比主动选股，在投资流程和生产环节上会有更显著的“工业化”特点，也能否谈谈摩根资产管理中国指数与量化投资团队的构成和流程分工？

胡迪我们采用投研一体化的方式运作，也是用“工业化”的分工，只是流水线上的人没有私募量化那么多。所谓的流水线化就是模块化的工作方式，我们团队也把因子挖掘、模型整合、交易执行等步骤做了模块化处理。

我是2013年回国的，之后在券商自营开始组建团队。许多团队中的小伙伴已经在一起工作了10年，稳定性强。我们团队中的人员背景也很多元，有人在大学时期就做过私募基金合伙人，也有人特别喜欢做高频交易的因子开发，还有人特别专注于非线性模型的整合等。

我们相信每一个人的专业能力，主要依据个人思维的特性和感兴趣的方向来进行分工，不会做互相交叉的研究，也不会让很多人共同覆盖同一个领域的策略。我们希望团队成员的研究是独立和低相关性的。最后，我们再通过双周会和每月一次的投决会进行讨论。我们每一个人是大模型框架下的一个个小模块。

摩根有“红利”

朱昂：你目前正在发行一只投资红利策略的产品，摩根红利优选股票型基金，能否先谈谈为什么要发行这个产品？

胡迪早在2021年，我们就出来公开推广红利策略相关的产品，并且比较早形成了系统性的产品思路。

中国市场是全世界少数无法对冲掉贝塔的资本市场，使得贝塔研究变得更重要。那么在做基金产品的时候，我们需要考虑选择什么样的贝塔赛道。好的贝塔赛道有几个特点：

首先，这必须是一条长期向上的赛道，长期收益风险比出色，能穿越市场周期。

其次，这个贝塔的风格要比较稳定纯粹，具有清晰的底层投资逻辑，方便投资人根据市场环境变化做资产配置的调整。

第三，市场上有供需缺口，相关的产品供给还没有达到成熟市场的饱和度，并且摩根基金在这个赛道上有信心能做出一定的差异化。

从这三点要求做筛选，真正符合好贝塔的赛道并不多。权益资产的长期收益主要来源四大类因子：红利、现金流、盈利、成长。因此，把握这四大类因子基本上可以解释任何一个市场周期中绝大部分的收益来源。

从海外指数类产品的规模看，红利是风格类ETF中相对较大的，超过了4000亿美金，占有相当的地位。（资料来源：彭博，数据截至2024.03.31。）

从实际的投资效果看，红利策略在港股和A股能长期跑赢宽基指数，投资者能很明显获得更好的持有体验。我们看到中证红利指数不仅在2016、2018、2022、2023的市场中呈现了更好的抗跌属性，也能够在2017和2021呈现了很强的进攻属性。所以说红利在牛市也是可以跑赢的，和大家直观的感受有些不同。（资料来源：万得，中证红利全收益指数/沪深300全收益指数2016年、2017年、2018年、2019年、2020年、2021年、2022年、2023年的收益率分别为-4.30%/-9.26%、21.34%/24.25%、-16.15%/-23.64%、20.88%/39.19%、8.18%/29.89%、18.19%/-3.52%、-0.37%/-19.84%、6.34%/-9.14%。指数的过往表现并不预示其未来表现，也不构成对基金业绩表现的保证。）

当我们想好布局思路后，就需要考虑布局的时间点。我们之所以在2021年初开始推荐红利策略，就是看到那时候的市场非常适合这个策略，而且有信心能做出一定差异化。由于风格切换也是全球联动的，彭博数据显示当时成长对价值的风格溢价已经达到历史极值。在那个时间点，我们认为会发生一次全球的风格切换。（注：基金管理人与股东之间实行业务隔离制度，股东并不直接参与基金财产的投资运作。）

美国养老金管理着万亿美金的规模，要把配置从超配成长调整过来，需要1到2年的时候。我们在2021年刚开始看好红利策略产品的时候，市场上基本上没有什么投资者认同这个看法。当时大家都在等待成长风格经历调整后的回归。到了2022年开始有机构投资者开始买入我们的产品。一直到今天，红利已经成为具有市场共识的风格，也向大家验证了风格投资比行业轮动要稳健得多。

我们也希望把摩根有“红利”打向全市场，给投资者提供了包括A股、港股、甚至海外的红利类产品。

我们一开始也在思考推出什么类型的红利产品给大家。市场上已经有各种类型的红利产品，包括红利低波、红利成长、红利动量等等。我们当时就想，能不能用量化模型做一些超额出来。之后我们发现，在中证红利指数上实现的超额收益可能相对更容易一些。这是因为中证红利指数无论是市值还是行业，都是比较均衡的。指数的构成不是简单的市值加权，还包括股息率加权。这样也自然形成了一个高抛低吸的特点，不会出现权重集中在少数大市值股票的情况。

随着市场进入了红利风格的下半场，内部的个股也开始出现分化，这时候就能体现出主动量化争取阿尔法的优势。

朱昂：你们会不会担心红利策略变得拥挤？

胡迪我们并不担心红利策略变得拥挤。事实上，即便今年落地了不少红利策略的产品，但据万得数据显示，截至2024年3月底，全市场所有红利策略相关公募基金（红利基金分类，含ETF）规模加起来1579亿，可能也就是3到4个指数基金的管理规模。从市场占比看，相比于6.6万亿的股票型和混合型基金规模，占比在2.5%左右，仍有比较大的发展空间。

其次，从机构投资者对红利产品的配置意愿看，万得数据显示，截至2024年6月30日，中证红利指数的股息率在5.4%，而10年期国债收益率在2.2%。对于类似于保险、理财这样具有负债端管理需求的客户来说，持有国债已经不能满足他们的收益目标，那么红利类产品是极少数能满足他们需要的资产类别。

最后，从理财端的客户需求看，过去几年许多人投资风格比较极致的基金体验不佳，他们对权益产品的偏好也会转变成体验更佳、收益确定性更高、下行风险可控的基金产品。而且由于许多基金持有人都拿着高度集中的成长风格产品，通过投资红利类产品也能实现资产配置分散化的作用。

朱昂：红利是一个很好的资产类别，也并不拥挤，那么你们如何在中证红利指数的基准之上，实现超额收益呢？

胡迪我们对A股市场红利策略产品的超额收益归因，发现大部分收益是来自量价策略，这一点大大超出了我们此前的预期。

对红利投资的一个常见误解是，红利的行业分布很集中，实际上中证红利指数占比最高的三个行业是银行、煤炭、交运，行业占比最高的也只有20.7%。整个中证红利指数100只股票涵盖了30个中信一级行业中的21个，可以说是非常分散。（资料来源：万得，数据截至2024.06.30。）

全市场过去三年内有稳定分红的股票大约800-900只，其中有大概一半的公司属于高分红的小市值股票，这些股票关注度是长期不足的，卖方分析师覆盖不足，机构持仓占比也较低，这就为高Alpha提供了土壤。从企业基本面角度看，小市值高分红公司经营稳定，在细分赛道中有着稳定的竞争力；从Alpha角度看，价量因子和基本面因子在冷门股票上都更具竞争力。

再从红利指数的加权方式看，通常宽基指数是市值加权，权重分布并不平均。以沪深300为例，前50个股票占了大约一半权重。红利指数一般采用股息率加权，个股权重更平均，小市值股票只要股息率高，也能吃到相对较高的权重。（资料来源：万得，数据截至2024.06.30。）

具体落实到红利增强策略上，我们在红利增强上使用的模型和传统的量化模型，有一些特殊性：

第一个是针对高分红股票“高股息率陷阱”，我们引入定制化的筛选，比方说相对更加看重经营性现金流指标、要求股票在一段时间内是具备充足流动性的，具有足够多的交易对手方的。

第二个是选股因子需要根据高分红股票池的特殊性做低波动的技术处理。

因为有这几种区别，我们在红利股票池里构建的选股模型和正常的全市场选股模型是有所不同的，我们既使用了全市场有效的通用因子，也考虑到了红利股票池的区别，增加了特化的因子。为了从技术上调和这两种因子的冲突，我们用了分层回归，使用到机器学习中一种被称为迁移学习的技术，解决将全局因子和特化因子相互统一的问题。

即便在主动权益的红利产品中，大家也是追求能够长期持有基本面确定的高分红公司。但实际上一旦公司的股价出现上涨，股息率就会下降，这就和我们追求高股息率的初衷有所违背。中证红利指数每年调整一次成分股，但是我们的量化产品能够做到每周换仓，不断把高股息率的公司替换到组合中。量价策略就能在红利资产中反而展现了少见的优势，通过高换手率，不断找到估值合理的高分红股票，保持组合的高股息率。

接下来市场的红利风格可能进入下半场，整个红利贝塔最强的阶段似乎已经结束了，阿尔法的占比或会提高。当市场出现分歧的阶段，这时候具有阿尔法的产品会变得更有吸引力。

红利风格进入阿尔法为主的下半场

朱昂：也就是说，红利风格开始分化了，贝塔弱化后，选股的阿尔法变得更重要了？

胡迪大家刚进入红利资产的第一波，肯定是这些大市值股票先涨起来。但是涨到了一定程度后，这些大市值股票的性价比已经不高了。比如说运营商类的股票，今年其实表现已经没有那么好了，这时候就需要选股上的阿尔法做换仓。

大家买这些公司不是出于成长性，而是股息率。这也决定了红利类股票涨到一定位置后，大家会担心涨过头了。比如说港股市场的一些红利类股票可能已经有40%以上超额收益了，应对这种担忧最好的方式是动态调仓，不断把涨多了的兑现收益，买入股息率更好的品种。

我们的量化指标也覆盖了公司多个基本面的维度，帮助我们避免“高股息陷阱”，并且确保清晰的风格。我们不会把一个红利标签的龙头公司从头拿到尾，但能够保持组合始终处在一种纯粹的高股息率风格下。

朱昂：摩根红利优选基金会有哪些竞争优势？

胡迪利用量化策略做红利投资能够解决前面提到的涨多了调仓的问题。而且，红利策略目前还不是一个规模很大的赛道。摩根资产管理一直特别重视红利风格，积极布局红利策略产品线。

截至2023年底，摩根资产管理在全球拥有超过2.9万亿美元资产管理规模，超过600种投资策略，近1300位投资专家，覆盖全球各类资产，为客户提供全天候的资产管理服务。摩根资产管理中国充分发挥集团优势，共享市场资讯、研究资源。所以，摩根资产管理中国可以把海外优秀的产品资源和丰富的研究资源投到这个赛道上。（注：基金管理人与股东之间实行业务隔离制度，股东并不直接参与基金财产的投资运作。）

朱昂：在投资运作的过程中，会不会有跟踪误差的限制？

胡迪我们内部会有跟踪误差的限制，希望用最小的跟踪误差争取最大的超额收益，实现比较高的信息比率。

朱昂：你觉得这个产品适合什么类型的投资者关注？

胡迪我觉得适合那些希望参与权益市场的投资，但风险偏好又不特别高的投资者。过去三年，主动权益市场经历了一定的下行周期，许多人也觉得这个位置权益资产呈现了比较好的性价比，想继续参与权益市场，但同时又无法承受比较高的波动风险的投资者。

红利资产具有天然的防御特性，并且通过股息率提供了一定的安全垫。即便指数短期出现下跌，红利指数的跌幅通常也会比宽基指数更小，非常适合喜欢做左侧布局投资者的投资者关注。（防御策略为指数策略特征，指数仍存在波动风险。）

还有一种是基金配置过度集中在单一成长风格的持有人，也可以通过红利产品实现分散化的配置。虽然大家最终可能只看收益率一个指标，但市场上的收益来源很多。分散化的资产配置，是把收益来源分布在不同的来源上，这样任何环境都不会太差。

当然，由于每个投资者所处的年龄段和风险承受能力不同，投资者可以根据自身的风险偏好，也可以结合自己专业投资能力选择适合自己的产品进行投资。

热爱是最大的驱动力

朱昂：能否谈谈在你个人的成长经历中，有哪些比较重要的时间点？

胡迪第一个时间点是2008年。一方面2008年是金融危机，那时候毕业找一份华尔街的工作很难。另一方面从市场的角度看，投资模式在2008年之后发生了很大变化。在此之前，许多养老金通过风险平价模型，是比较容易获得不错的收益。在2008年之后，所有市场的大类资产假设都发生了变化，需要资产配置做得更加精细。也是从2008年之后，工具型的被动产品出现了大幅增长。

第二个时间点是2014年底到2015年，那时候量化投资的发展受到了很大挑战。由于股指期货受限，带来了基差的暴涨暴跌。那时候仅仅中性策略的基差波动就超过了2%，已经超过我当时管理的产品组合的最大回撤限制。包括2014年底的时候，全市场只有几十个大盘股在涨，其他股票都在下跌，导致广度的量化策略表现就很差。

那个阶段的经历，也让我明白即便量化投资也需要一定的人为干预。现在，我只会对一种情况做出人为干预：当市场出现流动性风险的时候。因为这并不是主动对模型的干预，而是被动的流动性保护。

第三个时间点是2019到2020年。那时候很多人用海外的机器学习模型来A股市场赚钱，却不知道模型出来的是什么因子，为什么要这么配。我觉得量化投资不应该去投无法理解的逻辑。我们会充分拥抱新技术，但也会辩证思考。

朱昂：如何保持持续的驱动力？

胡迪我们做这件事的出发点是热爱，不是因为压力驱动我们前行。投资是一件我们很喜欢做的事情。做过投资后，会发现做其他事情的兴趣很难持续。

投资的乐趣在于，不断有新的挑战和规律。给我们带来乐趣的也不只是规模增长，而是看到自己又发现了市场运行的规律。

朱昂：如果面临压力，通过什么方式化解压力？

胡迪我会去看看展览、听听音乐，多看一些古典的东西，会提醒我所有发生的都是阶段性。

朱昂：那么投资之外，你会做什么？

胡迪看书是肯定的，也喜欢出去旅行，以及看各种话剧和音乐剧。我喜欢去不同的地方，看不一样的人。

注：“红利策略”为基金的投资策略，产品仍存在波动风险。中证红利指数（“指数”）由中证指数有限公司（“中证”）编制和计算，其所有权归属中证。中证将采取一切必要措施以确保指数的准确性，但不对此作任何保证，亦不因指数的任何错误对任何人负责。

上投摩根基金管理有限公司于2023年4月正式更名为摩根基金管理（中国）有限公司。摩根基金管理（中国）有限公司在中国内地使用「摩根资产管理」及「J.P. Morgan Asset Management」作为对外品牌名称，与JPMorgan Chase & Co.集团及其全球联署公司旗下资产管理业务的品牌名称保持一致。摩根基金管理（中国）有限公司与股东之间实行业务隔离制度，股东不直接参与基金财产的投资运作。

风险提示：投资有风险，在进行投资前请参阅相关基金的《基金合同》、《招募说明书》和《基金产品资料概要》等法律文件。本资料仅为公开宣传材料，不作为任何法律文件。基金管理人承诺以诚实信用，勤勉尽责的原则管理和运用基金资产，但不保证基金一定盈利，也不保证最低收益，同时基金的过往业绩及其净值高低并不预示其未来业绩表现。基金管理人管理的其他基金的业绩并不构成对基金业绩表现的保证。上述资料并不构成投资建议，或发售或邀请认购任何证券、投资产品或服务。所刊载资料均来自被认为可靠的信息来源，但仍请自行核实有关资料。观点和预测仅代表当时观点，今后可能发生改变。本产品由摩根基金管理（中国）有限公司发行与管理，代销机构不承担产品的投资、兑付和风险管理责任。本基金募集期内规模上限为80亿元人民币（不包含募集期利息），如超过本公司将按末日比例确认的方式实现规模控制（详情参阅基金发售公告）。

本材料为公开宣传材料，受雇于摩根基金管理（中国）有限公司并被授权的员工可基于产品或服务沟通目的通过个人朋友圈转发。未经授权请勿转发。本材料仅在中国内地分发，且仅针对中国内地的有关适格投资者。2024060098