思勰投资陈磐颖、吴家麒：pure α策略2022Q3起没有挖掘出好的盈利机会已经着手改进_新浪财经

　　思勰投资在7月28日召开的“思勰指增策略 2023 中期分享会——回顾、改善及展望”上，思勰投资创始合伙人&投资总监陈磐颖与思勰投资创始合伙人&总经理吴家麒介绍了上半年业绩表现，并对未来行情进行展望。

　　2022Q1至2023Q2业绩回顾

　　6 个季度差异明显，归因 1，pure α是主要的收益来源，也是业绩波动的关键因素：

　　2022Q1 和 Q2，pure α相关策略收益较高，但是在 2022Q3 以后，前期表现好的策略表现不佳；同时由于疫情放开、市场风格转换，部分基本面策略出现一定回撤，导致 pure α下滑，直至 2023Q1 和 Q2 才逐步修复。Pure α的收益波动是 6 个季度业绩波动最核心的因素。

　　归因 2，在 pure α不佳的同时，风格项拖累 2023Q1 业绩：

　　风格项在 2023Q1 和 Q2 对业绩造成一定拖累，特别是 2023Q1。从长期来看，风格项应该是均值为正的策略，只是因为夏普比率较低，在短期可能会遭遇一定的回撤，这是可预期和可接受的。

　　归因 3，行业项在 2022 年稳定正贡献，但 2023Q1 和 Q4 是负贡献：

　　行业项同风格项类似，也是夏普比率较低，2023 年 Q1 和 Q2 有一定回撤，但是从长时间的尺度上，我们预计会带来正收益。

　　风控上，风控模型未没有变化，业绩的波动与风控无关：

　　我们并未改变风控模型，比如在 2022Q2 放开风险敞口或降低股票仓位。我们一贯以一整套比较自洽的风险模型来控制交易，策略呈现出来的在波动率和市场相关性的上漂移源于策略的整体表现。当策略表现强劲时，标准差偏高，与同市场相关度偏低；当策略表现相对较弱时，或者模型认为没有好的交易机会时，模型会自动调低预期，表现为标准差的降低以及同市场相关性的上升。

　　结论：我们的 pure α策略在 2022 年 Q1 和 Q2 的特定市场环境下有比较好的表现，但是这一部分策略从 2023Q3 开始却没有挖掘出好的盈利机会，其波动率自动调低，对整体业绩的贡献下降，没有复现前期的盈利贡献，再叠加其他策略的亏损，以及风格项和行业项的扰动，导致业绩前后呈现明显差异。

　　展望

　　看好贝塔：我们坚定看好大盘走势，看好贝塔β。

　　看好 alpha：市场超额α已回归正轨，虽有“远虑”但无“近忧。

　　自身改善蓄力前行：我们在硬件、软件、人员上大量投入，在模型上在持续优化和改善，我们所做的这些努力，终将是有回报的，我们也希望投资人能够跟我们一起收获这些回报。

　　Q&A

　　Q1：为什么超额曲线在 2022 年的上半年是非常好的，然后在 2022 年下半年开始到现在就很平？是不是因为降了仓位？是不是里面有 CTA ？

　　A：我们的指增策略中，是不含 CTA 的；我们有指增+CTA 的产品线，这一产品线的结构我们对渠道和客户均有明确说明，也会做业绩的详细拆解。

　　我们的指增策略没有仓位的变化，一直是满仓。指增策略需要留少量资金来做股票切换，因此我们股票仓位在 9 成~95 成，剩下的 5%-10%仓位由股指期货补足，这也是行业内的一个通行的方法，所以我们整个的仓位是不变的。

　　Q2：一年没有超额，是不是策略失效了？优化效果如何评价？

　　A：策略失效与否取决于其背后的基本逻辑是否还成立，而非是否短期亏损来进行判断。因此，对于策略短期的不适应，我们会分析和判断这个策略的研究方法和逻辑是否依然成立，如果依然成立，那么我们不会轻易判断策略失效，而可能是降低这一策略的权重。当然，我们并不认为一个策略永远不会失效。当统计数据和信号显示，市场和交易者行为发生了重大变化，策略背后的基本逻辑不再成立，那么我们会认为这个策略失效。

　　我们在一季度对于 CTA 和股票的观点是不同的，因为 CTA 市场发生了重大变化，原有 CTA策略失效：而股票市场并未出现类似的整个市场环境的大变革，更多的是因子周期性导致策略在某一阶段不适应某一风格，模型将自动降低这些策略的权重，同时我们的优化也将逐步显现作用。

　　Q3：思勰做了这些优化升级，但是在业绩结果上并未有明显体现？

　　A：我们知道α不好的原因也知道改进的路径和方法，并且已经着手实施，用更好的研究方法和更成熟的机器学习框架去挖掘行之有效的因子和策略，虽然在短期还没有体现在实盘业绩上，但是我们相信在不久的将来将会有更好的体现。

　　Q4：α日内更新的比例是怎样的？持仓周期、换手率，以及是否择时？机器学习因子的占比是多少？

　　A：日内更新的α占比较小，因为部分量价因子虽然在日内更新会有好的效果，但是其支持的容量非常有限，因此对策略整体的贡献也相对较小。持仓周期在 5-10 天级别，年换手率80 倍左右。

　　关于择时，如果是指仓位择时，那我们是不择时的，我们不会空仓或降仓，我们每天保证100%仓位。

　　机器学习因子的占比，在数量上占比很高，超过 50%；但是从贡献角度并不是决定性因素。因为机器学习挖掘出的因子信噪比较低，需要经过复杂的量化手段进行处理，才能保证在不过拟合的情况下创造效益。

　　Q5：行业偏离是多少？

　　A：我们的风控模型会对行业的偏离有一个硬限值，且在平均情况下，实际偏离会很小，远低于这个硬限值。从策略贡献上来看，行业和风格的超额贡献其实每年也只有小几个点，不会很高，业绩的主要贡献来源还是 pure α。

　　Q6：思勰精选 2 期的策略和 500 的这个策略有什么不一样？为什么有比较大的差距？这个精选策略里面的用的因子或 500 因子有什么不一样？

　　A：精选 2 期实际上是量化选股策略，不是指增。在因子和信号层面，本质上精选 2 期与指增是共享同一套逻辑框架，两者最大的区别以及业绩差异在于 2 点：1量化选股策略没有某一个指数的约束，它的整个风控框架跟指增的风有很大区别，比如它不用 Barra 那套风控体系去做约束，更多得是对单票流动性等方面的约束。2量化选股策略持股数量较少，仓位更集中：这实际上是风控约束不同所导致的结果。我们指增的持股量，在 300-1000 支左右，股票数量多而分散；而量化选股策略的持股数量可能在 50-100 支，持仓更多地集中在我们认为有最好的α的这些公司上。也正是这样的股票数量特征，量化选股的策略容量相较于指增是有所限制的。当然，我们也在筹备将这个产品系列资管化，未来再跟大家详细沟通介绍。

　　Q7：新加入的投研人员多少分配在 CTA 上，多少分配在股票上？

　　A：新加入的投研绝大部分是在股票端。因为思勰在 CTA 的这套方法论已经相对成熟，CTA团队一直是自主培养为主且稳定性高，团队自身的内生发展动能强且稳定。我们补充的对象主要是股票端，特别是从海外招聘了非常优秀的人才，因为股票策略研发上需要做和能做的事情很多，我们需要大量人才的加入。

　　Q8：思勰 500 指增整体的规模情况是怎样的？

　　A：我们整个股票规模还是在 60 亿左右。股票规模从去年的下半年到今年的上半年，基本上没有什么太大的变化，唯一的变化是今年中性规模会略有下降，指增的规模略有上升。