大数据时代，量化投资带来新变局！

       大数据、云计算、人工智能……这些科技概念正日渐与我们的社会生活接轨，可以说，数据信息，早已渗透到当今每一个行业。量化投资就是近年来在金融行业兴起的一种新的投资方式。它主要基于大数据和人工智能，从看似无规律的资本市场运行中找到普遍规律，从而按照这种规律构建量化模型，指导投资行为。

       量化投资以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。尤其是在人工智能快速发展的今天，量化投资可以通过“量化”的方式，帮助投资者把握住“大概率”的机会。

量化投资的优势

       1、量化分析，减少人工劳动。完全依靠个人经验和长期盯盘，难免会有所疏漏，量化投资利用数学模型对投资机会进行量化打分，寻找被低估的投资品种和可以套利的机会，能够大幅减少个人劳动，让投资更加轻松。

       2、降低投资者情绪波动的影响和人为判断失误。市场大涨大跌难免会干扰个人情绪，让投资者做出错误的决定。量化投资利用量化模型对海量数据进行分析，量化投资可以在很大程度上减少人为判断的干扰，避免非理性的投资决策。

       3、计算机自动执行。现在的股票数量越来越多，投资品种越来越丰富，很多投资机会转瞬即逝，量化程序预先设置好触发条件，一旦发现投资机会，计算机就会立即执行，把握住难得的投资机会。

目前，吃不胖de瘦子持有的中欧量化驱动混合（001980）就是一只采用量化投资策略的基金。

（数据来源：中欧量化驱动混合季报）

       从这只基金最近四个季度的十大重仓股和所占净值比例来看，2021年第二季度，中欧量化驱动混合的持仓呈现出以下特点：

       1、从基金投资风格来看，重仓个股从大盘蓝筹股转向中小盘股。2021年第一季度，中欧量化驱动混合重仓持有的都是招商银行、中国建筑、兴业银行、长江电力这样的“大块头”，市值基本都在2000亿元以上；到了第二季度，中欧量化驱动混合重仓个股则转变为中兴通讯、天赐材料、璞泰来这样的中盘股，市值在1000亿元左右。甚至还有山东路桥这样市值不到50亿的重仓个股。

       2、从基金投资方向来看，重仓板块从银行方向转向化工、科技方向。2021年第一季度，中欧量化驱动混合的十大重仓股有3只银行股；到了第二季度，中欧量化驱动混合的十大重仓股则有3只化工股、2只科技股。

可以说，二季度中欧量化驱动混合的调仓非常及时。一方面契合了市场转向中小盘的投资风格，另一方面也及时把握住了化工、科技方向的大涨。说明这只基金的量化模型和量化因子是有效的，能够根据市场风格和投资方向及时调整。

       中欧量化驱动混合的业绩也充分证明了这一点。从蚂蚁财富展示的中欧量化驱动混合近一年走势来看，该基金近一年取得了51.69%的收益，而同期沪深300指数下跌了0.64%，超额收益明显。基金净值45度角一路向上的业绩表现，不仅给投资者带来了丰厚的收益，也让投资者有不错的投资体验。

       在大数据时代，如果你也对量化投资感兴趣，不妨考虑一下中欧量化驱动混合，说不定会给你带来不一样的惊喜！

来源：我是吃不胖的瘦子

震荡市量化基金崛起 业绩跑赢主动选股基金

       公募主动量化基金今年以来取得7.98%的整体回报，业绩跑赢主动权益基金。

       不过，主动量化基金最高收益为56%，与主动权益基金接近翻倍的最好表现还存在较大差异。

中国基金报记者 孙晓辉

       今年以来，A股市场趋于极端的结构性行情为量化策略提供了表现的舞台。公募量化基金取得7.73%的整体回报，跑赢主动权益基金。指数增强产品表现更为突出，平均回报达到8.67%。

       多位受访基金经理表示，下半年，量化基金还会延续优势，性价比更高；中证500、中证1000有望继续表现占优，依然是公募基金公司重点布局的方向。

量化基金抢跑主动基金

指数增强基金出彩

       在今年风格轮动频繁、个股分化显著的市场中，量化策略优势凸显。

       资讯统计显示，截至8月27日，公募主动量化基金今年以来平均收益率为7.98%。有60多只产品业绩超过20%（各类型分开计算）。其中银华新能源新材料量化、长信低碳环保行业量化两只行业主题的主动量化基金收益最高，分别为56.28%、54.65%；此外，中欧量化驱动、中融智选红利、华安事件驱动量化策略、先锋量化优选、泰康睿利量化多策略、西部利得量化成长等收益都在30%以上。

       整体来看，主动量化策略基金最高收益为56%，与主动权益基金接近翻倍的最好表现存在较大差异。

       长城基金总经理助理、量化与指数投资部总经理雷俊表示，今年以来，龙头股表现较弱，中小股票表现更好，从指数来看，沪深300的表现也弱于中证500或中证1000，主动基金主要投资龙头股，收益就会比较差。量化基金小盘因子可以助其提高基金收益。

       在公募量化基金中占一半以上的指数增强基金今年表现更强，中证500指数增强产品尤为突出。

       资讯数据显示，截至8月27日，量化指数增强基金今年以来平均收益率达到8.9%。而在指数增强基金中，中证500指数增强基金表现普遍好于其他宽基增强指数产品。比如，年内收益率超过20%的指数增强基金中，除了景顺长城创业板综指、富国中证1000指数增强、建信中证1000指数增强、建信中证1000指数增强，其余均为500指数增强基金，且指数增强基金年内收益最高的三只也均为500指数增强基金，分别为博道中证500指数增强、华夏中证500指数增强、长城中证500指数增强。此外，上银中证500、浙商中证500、西部利得中证500等收益率也很居前。

       “指数增强基金比主动量化表现更好，其中一个可能的原因是，指数增强基金对指数的跟踪更为紧密，不会漂移，有严格的风险管理。主动量化基金的个股选择面更广，不会太过于聚焦中小盘股，收益就会受到影响。”雷俊说。

       中证500指数增强表现更突出，雷俊表示，从贝塔层面来看，一方面与今年的市场风格有关――中小盘股票整体表现更好；另一方面，中证500指数与其它宽基指数相比，包括了一些偏周期的板块，而这些板块今年走势较强。从阿尔法层面来看，中证500指数的增强策略更容易操作，因为其指数成分股数量足够多、足够分散，更容易紧密跟踪，获取超额收益的难度相对较低。

       南方一位公募量化基金经理表示，不同公司的指数增强产品差别很大，有的是做纯量化增强，行业和风格都较为中性，不会对因子权重进行人为调整；有的则进行了主动的行业或风格偏离。因为不同指数增强基金收益来源不同，在进行业绩比较时，应该按同类策略进行比较。

量化产品表现更有看头

       对于今年剩余时间的投资，雷俊表示，从绝对收益角度看，量化基金还会延续优势，性价比更高。“近期，市场开始出现明显的高低位切换，低估值板块表现相对占优，估值回归迹象明显。量化策略方面，估值因子开始发挥作用。”

      北京一位量化基金经理认为，在指数类产品中，上证50、深100做量化增强难度最大，沪深300也不容易，中证500和中证1000相对好做一些，可选择的标的范围更大。

       上述南方公募量化基金经理表示，其所在公司采用多因子量化模型做指数增强，因子设置较为均衡，不会刻意强化某个因子。未来会根据市场变化进行动态评估与模型调整。“中小盘个股表现有望继续占优，依然看好中证500和中证1000两大指数的表现。一来两大指数目前估值依然偏低，二来可选标的范畴比较广，仍是公司比较重视的方向。”

来源：中国基金报

工信部：加强产业链供应链金融创新，推动发展供应链金融等金融产

       8月27日，工信部在关于政协第十三届全国委员会第四次会议第1526号（工交邮电类238号）提案答复的函中表示，下一步，将与银保监会、全国工商联等部门继续加强合作，一是加强产业链供应链金融创新，推动发展供应链金融等金融产品，配合相关部门优化金融服务。二是进一步做好产融合作，加强与数字化转型服务商的合作，促进民营平台企业发展。

以下为工信部官网全文：

关于政协第十三届全国委员会第四次会议

第1526号（工交邮电类238号）提案答复的函

徐晓兰委员：

       您提出的《关于基于工业互联网增强普惠金融服务中小微企业能力的提案》收悉，经商银保监会、全国工商联，现答复如下：

       我部赞同您提出的中小微企业“融资贵、融资难”等问题，高度重视发挥工业互联网在增强普惠金融服务能力中的作用，在挖掘数据价值、深化产融合作等方面开展了相关工作，取得一定成效。

一、关于夯实数据基础，完善工业互联网大数据共享机制

       一是完善工业大数据政策体系。印发《关于工业大数据发展的指导意见》《工业数据分类分级指南（试行）》，推动编制“十四五”大数据产业发展规划，促进工业大数据全面采集、高效互通和高质量汇聚，助力产业数字化转型。

       二是建立工业互联网大数据中心。我部统筹推进国家工业互联网大数据中心及分中心建设，积极引导地方加大投入，建设一批工业互联网大数据区域、行业分中心。目前，在北京、重庆、山东、浙江、湖北等地落地建设一批工业互联网大数据中心及区域分中心。

       三是推进小微企业信息共享与整合。银保监会推动地方政府整合小微企业信用信息，建设区域性信用信息共享平台和综合金融服务平台，已在浙江、河南、重庆、江苏、广东等多地初见成效。同时，银保监会着力引导银行业金融机构广泛对接公共部门的涉企信息数据，改进信贷审批流程和评价模型，创新金融产品服务，促进金融资源向长尾客户的精准“滴灌”。

       下一步，我部将进一步加强工业互联网大数据中心建设，充分发挥数据要素价值，促进数据资源共享。一是持续宣贯落实《关于工业大数据发展的指导意见》，鼓励有条件的地方、行业和工业企业围绕数据共享流通、数据应用、数据分类分级等重点任务先行先试。二是加快建设国家工业互联网大数据中心及分中心，加速数据资源在各中心之间的流动和共享，助力区域、行业数字化转型升级。三是加快推动信息整合和共享，及时总结推广地方典型经验做法，配合银保监会引导银行业综合运用金融科技手段和信用信息资源，丰富产品和服务供给，增强专业化服务能力，提升金融服务小微企业的质量和水平。

二、关于挖掘数据价值，建立新型中小微企业公共数据库

       一是开展工业互联网平台监测分析工作。我部推动建立工业互联网平台监测指标体系，研究形成标准化数据接口，奠定平台指标的自动化采集基础。目前实现对近20家重点平台、超2000万台设备的连接和监测，加快数据开放共享。

       二是推动全国一体化大数据中心体系建设。我部会同发展改革委等部门共同研究推动全国一体化大数据中心体系建设工作，加快制定顶层设计方案，组织开展重大示范工程，推动深化大数据在工业制造等领域的协同创新，引导数据共享流转。

       三是利用银行数据打通融资渠道。我部配合银保监会，支持银行在数据信息、IT系统、客户资源等方面发挥优势，帮助核心企业打通产业链上下游环节，培育小微企业客户集群，优化对核心企业上下游小微企业的融资和结算服务，依托产业链供应链的交易数据、资金流和物流信息，有序发展信用融资和应收账款、预付款、存货、仓单等动产质押融资业务。

       下一步，我部将进一步挖掘数据价值，推动中小企业公共数据共享。一是建立健全长效机制，开放数据资源和应用场景，继续深入开展监测分析工作，引导重点平台尤其是中小企业强化数据互通，助力中小企业深挖数据价值。二是会同发展改革委加快推动构建全国一体化大数据中心体系，推动实现算力资源一体化调度和数据资源融合应用，深化大数据应用创新和机制创新，进一步支撑工业制造等行业数字化转型升级。三是配合银保监会继续推动银行保险机构探索完善科技型小微企业金融服务，支持产业链供应链金融创新，促进金融资源更好地服务实体经济高质量发展。

三、关于深化产金融合，构建金融服务实体经济顶层架构

       一是创新供应链金融新模式。2020年，我部联合人民银行等部门印发《关于进一步强化中小微企业金融服务的指导意见》，支持中小微企业开展供应链融资服务，鼓励发展订单、仓单、存货、应收账款融资等供应链金融产品。2020年2月，全国工商联会同有关协会和金融机构，发起“无接触贷款助微计划”，累计服务客户数2099.69万户，累计发放贷款8721.69亿元，助力民营企业特别是中小微企业复工复产。

       二是深化产融合作。我部联合财政部、人民银行、银保监会、证监会等部门组织开展第二批产融合作试点申报工作，进一步增强金融服务实体经济能力。全国工商联印发《全国工商联关于推动民营企业加快数字化转型发展的意见》，提出为民营企业数字化转型搭建融资服务平台，拓展金融机构合作范围，引导金融机构创新服务，为民营企业数字化转型提供更多创新产品和服务。

       三是提升服务实体经济能力。2020年，我部印发《关于做好优质中小企业上市培育工作的通知》，充分发挥资本市场服务实体经济功能，加快做好优质中小企业上市培育工作，促进中小企业发展与资本市场有机结合。2021年4月，银保监会印发《关于2021年进一步推动小微企业金融服务高质量发展的通知》，要求银行保险机构开发金融产品和服务模式，满足企业技术研发、成果转化等融资需求。

       下一步，我部将与银保监会、全国工商联等部门继续加强合作，一是加强产业链供应链金融创新，推动发展供应链金融等金融产品，配合相关部门优化金融服务。二是进一步做好产融合作，配合全国工商联落实《全国工商联关于推动民营企业加快数字化转型发展的意见》，加强与数字化转型服务商的合作，促进民营平台企业发展。三是继续积极配合有关部门，做好政策宣传、引导服务工作，助力民营企业通过数字化转型，增强融资能力，缓解融资困难，促进金融资源更好地服务实体经济高质量发展。

来源：新浪财经

2021年，AI 把金融科技和银行业推向新高度

       编者按：面对疫情的威胁，未能按时复工复产影响了实体经济的发展，却加速了数字经济的发展。在疫情中，数字经济明显快速的发展，促进了金融科技的需要，金融科技的优势得到初步彰显。随着大数据的逐步完善，计算机算力的提升，人工智能产业发展迅速，人工智能在金融领域的运用也越来越广泛。在数字时代下，人工智能如何助力金融科技？原文标题How AI Will Push Fintech and Banking to New Heights in 2021，作者Peter Jobes。

       近年来，人工智能对金融服务的革新做出了重大的贡献，该技术有望在不久的将来彻底改变我们的理财方式。

       人工智能即时分析大量的数据从而发现新的动态和信息的能力，正在带动企业采用人工智能技术来提高工作效率，挖掘新的工作模式，从而改进决策过程。

       消费者们或许甚至还没有意识到，各个企业在幕后已经把人工智能应用到了无数个领域中，但是由于我们大多数人之间的相互联系越来越紧密并且依赖数字流程，人工智能的使用会越来越普遍。

       人工智能和金融科技之间紧密的关系可能会帮助金融领域更有效的打击诈骗行为，为客户带来更好的体验感并为客户提供更大程度的便利。

图片来源: Mordor Intelligence

       从上图可以看出，在 2020-2025年间，金融科技领域中的 AI 应用数量将以不同的速度增长，其中亚洲发展得最快。然而，随着人工智能技术对金融领域的持续革新，欧洲和北美在未来几年也将出现显著增长。

       让我们深入了解一下，自2021年起，人工智能在推动金融科技走向新高度的过程中会扮演什么样的角色：

改善机器人顾问

       人工智能倡导按需理财，在新冠疫情之后，进入投资领域的人比以往任何时候都要多。机器人顾问在个性化投资组合管理和理财产品推荐方面所带来的价值备受追捧。

       “我们上面分析的事实看起来像是新冠疫情和随后的刺激方案的结果。这就创造了一个基金池，散户投资者可以开始购买股票。根据富达公司的报告，2020年有2600万个零散股票账户，相较于2019年增长了17%，同时每日交易量也翻了一番。”自由金融欧洲投资研究主管Maxim Manturov解释道。

       尽管关于人工智能投资顾问的伦理问题以及准确度的争论一直存在，在2021年，这些AI顾问的受欢迎程度正在快速增长。最新研究出来的解决方案可以根据客户的收入、当前的投资习惯、风险偏好和更多的指标来为客户推荐投资机会。 

       机器人顾问的复杂程度已经从基于调查问卷的解决方案，发展到可以为专门的基金和投资组合管理提出解决方案，再到算法的再平衡和建议措施。

       未来几年，这些新兴技术会进一步完善，提供更直观的行业见解，从而更好地为投资者创造价值。

检测诈骗活动

       欺诈一直是长期困扰金融业的一个破坏性的问题。 然而，人工智能的出现意味着信用卡公司现在有能力在他们的欺诈检测工作流程中进行预测性分析——有助于显著减少误报的情况。

       AI可以驱动的一系列分析工具，通过学习和监控用户的行为模式来收集和分析数据。然后用来识别稀有性和欺诈活动的任何警告信号。

       我们可以发现由人工智能驱动的智能金融科技能够帮助限制欺诈行为。例如，日本的一家金融科技公司MILIZE在2020年提出向全世界的金融机构提供快捷方便的欺诈检测和洗钱解决方案。据了解，该解决方案具有检测欺诈交易的能力，准确率超过90%——为信用卡公司带来了巨大的便利。

真正个性化的信用评级

       在今天，许多金融科技公司和金融机构已经开始向客户在线发放贷款。然而，虽然这种方法为客户提供了便利，但在批准任何交易之前，检查客户的财务背景及其风险状况是至关重要的。在这里，人工智能可以在优化在线贷款方面发挥关键的作用。金融科技公司可以利用人工智能，根据机器学习算法提供的预设的数据分析和相关模式来检查客户的金融背景。

       人工智能还可以帮助在线贷款审批流程的自动化，根据客户的风险状况准确地分析客户。这种方法可以帮助金融科技公司批准预先确定的贷款金额，同时通过扩大客户群来创造收入。

       此外，金融科技应用程序的研发人员可以在人工智能和机器学习技术的基础上，加入更多的功能，如EMI计算器和贷款资格的自我评估。总而言之，通过简化流程和提高服务质量，人工智能和金融科技的融合将给企业带来更多的稳定性。 

自动索赔处理

       消费化是指智能手机和短信等基于消费者的技术对企业的影响。利用消费的好处意味着企业——包括保险金融科技公司——正在投资以消费者为中心的平台，这些平台可以接触到客户，或者在客户花费大量时间的平台上与他们互动。这一点可以从人工智能聊天机器人的使用频率中看得出来。

       对于保险公司和他们的客户来说，理赔处理是一个极其繁琐的过程。它需要遵循一个程序，在该程序中必须确定客户遇到的问题——比如疾病或伤害——分析其案例的有效性并启动索赔流程。

       这个评估时间跨度很长，也很复杂。然而，人工智能可以自动审核这些索赔案件，利用大数据生成对索赔有效与否的判断，并在整个流程中提供更大程度的便利。

       在这一年里，我们仍在与疫情抗争，并且出乎意料地急于采取数字转型策略，金融行业在2021年的表现严重依赖于人工智能。

       我们上面介绍的人工智能在金融科技中的应用，仅仅只是传统金融服务中采用人工智能技术的辉煌十年的一个开始。2021年金融行业所经历的革新是整个行业更全面的技术覆盖、自动化服务、带来更多便利的良好开端。最好的还在后面。

译者：bi8boO

本文来自翻译, 如若转载请注明出处。

来源：36Kr

存量时代来临，人工智能助力金融机构盘活客户

       近年来，国内经济迅速复苏增长，贷款业务作为金融机构主要业务之一，规模也不断扩大，然而疫情冲击之后的信贷市场，移动互联网带来的流量红利已经消失，数字经济时代的大背景之下，技术快速迭代，市场竞争加剧，新业态不断产生，新增获客效益正在逐渐减低，盘活优质存量客户成为金融机构的当务之急。

　　金融存量时代正在来临，客户黏性下滑、获客成本高企、风控能力缺失等挑战日益凸显，过去粗放式的营销和经营策略难以为继，专家表示，新客户成本上升、新户风险激增等问题的出现使得各家企业全面提升数字化经营，纷纷通过大数据、AI、供应链等科技手段提升贷款的风险防控质量，挖掘存量客户价值。

　　百融云创作为国内领先的独立AI技术平台，在大数据、人工智能等金融科技领域深耕多年，在中国累计为逾4800名金融机构客户提供服务，在各类信贷场景的实践中积累了丰富的案例。

　　在精准营销方面，百融云创通过存量客户标签体系、存量客户价值评分体系的搭建，可以帮助金融机构实现精准分层。以信贷场景存量客户交叉营销为例，基于营销响应分、营销成单分，精准从沉睡客户或流失客户中找到贷款需求高的客户作为精准营销对象，通过对高响应客户进行短信、IVR、人工等手段进行营销，可提高营销响应率，有效节约成本，同时无需求的客户不会被营销打扰，有需求的客户可及时找到合适的产品，逐步提升用户体验。

　　在智能风控方面，百融云创可以帮助金融机构实现从贷前反欺诈、贷中预警到贷后管理的风控全生命周期管理。针对存量客户的潜在风险，百融云创根据强弱规则监控和评分监控，自动将客户分成ABCD四个风险等级。针对中高风险的客户，进行号码状态核查并进行统计，对可联状态的客户减免部分息费，促进客户提前还款；对不能联系的客户采用IVR/短信/提醒式机器人，进行高频监控。对于低风险用户，百融云创则自动转入低频监控处理，并根据客户授信额度使用情况采取提额措施或进行机构内其他产品交叉营销。

　　对于金融行业来说，客户是业务发展的关键，百融云创自成立以来一直不断深化人工智能和大数据在金融场景中的应用，依托技术优势为金融机构提供赋能。在存量时代，百融云创能够帮助金融机构结合客户生命周期和场景不同因时、因地施策，为金融机构打造优质的产品，为金融科技提供更加便捷的服务。

来源：钥城网

基本面量化

       基本面选股主要有多因子模型、风格轮动模型和行业轮动模型三类。

多因子量化选股策略

       多因子模型是应用最广泛的一种选股模型，基本原理是采用一系列的因子作为选股标准，满足这些因子的股票则被买入，不满足的则卖出。多因子模型相对来说比较稳定，因为在不同市场条件下，总有一些因子会发挥作用。

风格轮动量化选股模型

       风格轮动模型是利用市场的风格特征进行投资，比如有时候市场偏好小盘股，有时候偏好大盘股，如果是风格转换的初期介入，则可以获得较大的超额收益。

行业轮动量化选股模型

       行业轮动与风格轮动类似，由于经济周期的原因，总有一些行业先启动，有的行业跟随。在经济周期过程中，依次对这些轮动的行业进行配置，则比买入持有策略有更好的效果。

       上文就是对基本面量化的简单说明，对这类文章感兴趣的朋友可以关注小编。

关于量化投资风口下的思考

        2021年上半年已过去大半，回顾整个上半年，市场风格频繁切换，震荡是A股的主要基调。

        全球范围新冠疫情反复，经济受到的影响仍未完全消除，随着后疫情时代下全球经济发展与金融格局的调整，中国资产配置结构正迎来变局：A股和美股波动加剧，大宗商品价格上行，居民房产配置见顶、银行理财与集合信托等打破刚性兑付、阳光私募在高净值人群金融资产占比有望超越信托等私募固收产品。而近些年，发展势头强势的私募量化基金将成为行业的增长点与高净值人群资产配置的新风向。

       从2017年到2020年，量化基金在所有证券类私募基金占比从不足5%提升到15%，管理规模增长了4倍，根据数据显示，2020年量化私募规模达7600亿元，量化交易占整个A股成交量占比超过15%。

       不管是从规模增长还是比重增长来看，2020年都可以称为量化投资大年。在2021年三季度，量化投资更是迎来了大步跨越，管理规模超1万亿，未来市场潜力巨大。

       在对冲基金最为发达的美国市场，量化基金已成为财富管理生态重要组成部分。除了大名鼎鼎的文艺复兴、桥水基金，还有TwoSigma、D.E.Shaw等量化巨头也是成就了无数财富传奇，历久不衰。至关重要的是在成熟市场，对冲基金或量化基金已经与国内媒体所营造的“高风险、高波动”脱钩。量化基金主要强调的是收益水平相对稳定，与市场走势关联度相对较低且抗冲击能力强。

1、量化投资如何赚取超额收益？

       许多投资者都会将量化投资与主观投资进行比较，其实他们本质都是在为财富增值服务。现在许多主动投资也用到了量化工具，他们两者不是割裂的。量化投资其创造超额收益的本质在于资本市场本身可以创造财富，A股市场是一个弱有效的资本市场。市场中信息传递不够充分，机构参与比较分散，同时个人、机构都不是完全理性化的，会受到情绪等因素的影响，因此会存在错误定价的机会、市场过度反应的机会。正因为信息的传递不够充分，才使量化投资具备投资的广度、深度。

2、未来量化市场的发展是什么样的？

       量化投资在中国是2010年才开始发展，虽然发展已进入快车道，但总体而言还是一种比较小众的投资方式。量化投资有很多策略，近两年比较火热的有中性策略、CTA策略、量化多头策略，很多人可能觉得量化投资就只有这几个策略，但其实并不是这样，许多投资者对量化投资的理解可能还是比较局限的。在未来，量化市场总体会是一个百花齐放的状态，会有更丰富的量化策略出现，有更多的衍生工具被运用，也会有新的信息源、新的数据源。

3、量化赛道已经开始“内卷”了吗？

       在相同的策略中，可能会出现内卷的情况，量化投资是一个对人才密集需求的行业，人才竞争、技术竞争，这个也是必然的规律。但是量化市场是很大的，仍然会有更大的空间可以留给量化机构，所以也不必过分的强调这种“内卷”。

4、机器学习是量化投资的转折吗？

       机器学习算法的应用，不是量化投资的转折，而是科技对投资的赋能，机器是不能取代人类的。投资是一个无穷尽的博弈，在这个博弈中整体的发展路径和时间线都会被拉的很长。

       机器会取代人类吗？目前这个阶段完全没有迹象对此进行佐证，只能说人和机器都不断地在进步、在发展。

       站在当下，我们可以说AI赋能相比过去更加强，但是如果从更长期的角度来看，这也或许只是时间长流中很微小的一环，科学技术不断更新迭代，未来会有更多新的东西，我们相信在投资中是不会出现终结者的。

来源：腾讯网

量化投资专题报告：成长型行业投资模式的探讨

一、成长股生命周期阶段的划分

1.1、成长股生命周期的定量划分

       根据生命周期理论，一个公司的成长周期可以划分为 4 个阶段：初创期、成长期、成熟 期、衰退期。不同阶段股票的盈利增速差异很大，估值定价逻辑也不同，因此不太好去 做横向比较，有必要先对成长股的生命周期做一个初步分类。

       基于企业盈利增速的变化是划分生命周期不同阶段的最直接的思路。处于初创期的公司业绩增速刚刚开始抬头，处于成长期的公司业绩增速应该是加速上升，处于成熟期的公司业绩进入稳态，而进入衰退期的公司业绩增速应该出现明显下滑。但是从实际操作层面来说，很难基于上市公司公布的净利润同比或者营收同比去做 生命周期的划分，原因在于这些指标受短期因素干扰较多，波动很大，企业实际业绩的 变化并不会完美地契合这个理论模型。

       从一个新的角度出发去构建了生命周期的划分模型，核心思路是基于现 金流量表的三大指标来区分当前这家公司处于什么阶段。这三个指标分别对应着：经营活动的现金净流量、投资活动的现金净流量、筹资活动的现金净流量。选择这些指标的 原因有两个：

       1） 这三个指标的正负号可以反映当前这家公司在经营层面、投资层面以及筹资层面收 缩和扩张状态，可以侧面反映当前公司的成长阶段；

       2） 这三个指标的正负号在时间序列上的稳定性很好，与第一种思路中采用公司的净利 润或者营收同比增速相比，前者可以很好地规避后者短期波动较大的问题。

具体划分流程如下：

       1） 初创期：经营活动现金净流量为负，投资活动现金净流量也为负，说明公司在经营 层面虽然处于入不敷出的状态，但是投资层面依然在积极扩张，是初创型公司的典型特 征；

       2） 衰退期：经营活动现金净流量为负，投资活动现金净流量为正，说明公司在经营层 面处于入不敷出的状态，投资层面也没有扩张，反而处于收缩状态，是衰退期公司的特 征；

       3） 成长期：经营活动现金净流量为正，投资活动现金净流量为负，筹资活动现金净流 量为正，说明公司在经营层面可以自给自足，投资层面在扩张，筹资层面在积极对外吸 纳资金，是成长期股票的典型特征；

       4） 成熟期：两种情况，1、经营活动现金净流量为正，投资活动现金净流量为正；2、 经营活动现金净流量为正，投资活动现金净流量为负，筹资活动现金净流量为负，均说 明公司经营层面可以自给自足，但是在投资或者筹资层面没有很强的扩张意愿，是成熟 期股票的特征。

1.2、不同成长阶段股票特征分析

       接下来验证上述划分方法的合理性，这里主要从三个维度去做验证：利润增 速、收入增速、盈利能力。

       第一个维度是利润增速，分别统计了四个阶段股票未来一年净利润增速的中位数。可以发现，利润增速最高的是成长期的股票，其次是成熟期，衰退期明显为负，四个阶段利润增速的柱状图和上一节的生命周期曲线非常接近，确实符合这 4 个阶段股票业绩增速的特征。

       第二个维度是收入增速，分别统计了四个阶段股票未来一年营业收入增速的中位数，。营业收入增速和利润增速的最大区别在于初创期，具体表现为初创期的股票利润增速没有很高，但是营业收入增速非常快，甚至超过成熟期的股票，这也确实是初创型公司的典型特征。

       第三个维度是盈利能力，分别统计了四个阶段股票 ROIC 的中位数。可以发现，盈利能力最高的阶段是成熟期的股票，这也符合公司的成长规律，由成长期进入成熟期，一般来说业绩增速会下滑，但是盈利能力会有所提升。

       以上三个维度的统计结果基本上符合投资者对这四个阶段特征的定性认识，因此说明上 一节划分方法是具备合理性的。

二、不同阶段成长股股价驱动因素分析

2.1、四个阶段的股票是否都值得研究？

       在研究不同阶段股价驱动因素之前，这里首先想回答一个问题：这四个阶段（初创、成 长、成熟、衰退）的股票是否都值得去研究呢？我们认为不是的，这里建议大家把成长 期和成熟期的股票作为重点研究对象。原因有以下两个：

1、成长期和成熟期的盈利增速明显更高，稳定性也更好

       成长期和成熟期的股票的净利润增速普遍更高，具备更高的成长性，另外盈利增速的稳定性也明显高于另外两个阶段。除此之外还有一个很有意思的现象，就是初创型公司在 2016 年出现了一个明显的分界线，在 2016 年以前业绩增速很高，在 2017 年以来业绩增速很差。 这个分界线正好对应着大小盘风格的大拐点。造成这个差异有个深层次的原因，那就是在 2016 年之前很多中小公司是通过外延并购来实现业绩增长的，而 2017 年以来这一块的贡献大幅降低，导致小票业绩很差，因此市场整体风格也就转向大市值股票。

2、成长期和成熟期的分析覆盖比率也明显更高

       成长期和成熟期的股票覆盖比率明显高于另外两个阶段，其中成长期最高，有 44%的股票有分析师覆盖，成熟期有 38%，衰退期最少，只有 18%的公司有分析师覆盖，市场也是把成长期和成熟期的股票作为重点覆盖对象。

2.2、不同阶段的股票的股价驱动因素

2.2.1、基于分析师覆盖数量的股票池初筛

       从量化投资者的角度来说，要预测不同股票未来盈利增速，能够参考最直接、覆盖度最 高的指标只有分析师预期数据。建议投资者可以考虑把分析师覆盖数量作为股 票池初筛的条件，核心理由有两条：

1、分析师覆盖数量越多的公司，未来成长性越好

       将成长期和成熟期的股票按照分析师覆盖数量从低到高分为 5 组， 然后再统计每组股票未来一年净利润增速的中位数。可以发现两个特征：1）覆盖数量越 多的组，未来一年净利润增速的中位数普遍越高，成长性越好；2）对于覆盖数量最高 的那组（大于 15 的公司），未来净利润增速的中位数并不是最高的，反而出现下滑。核 心原因这类公司大多数属于行业的龙头型公司，对于这类公司大多数分析师都会出具覆 盖报告，即便这类公司预期盈利增速没有很高也是如此，这可能是需要注意的一点。

2、分析师覆盖数量越多的公司，盈利预测的准确性越高

       将成长期和成熟期的股票做类似的分组，并分别统计每组股票未来一年预期净利润相对于真实净利润高估的百分比，把这个指标作为盈利预测准确度的代理变量。可以发现，分析师的盈利预测普遍偏乐观，但是乐观的程度内部是有结构化的差异。分析师覆盖数量越多，公司的信息被市场挖掘得也越充分，盈利预期的准确度 也越高。

       因此建议投资者可以把分析师覆盖数量超过 5 作为一个初筛的条件，因为一来这些股票未来的成长性确实越好，二来盈利预测的准确性也更高，数据可靠性会更好 一些。

2.2.2、盈利对比：成长期 VS 成熟期

       接下来研究成长期和成熟期股票股价涨跌幅和盈利增速的关系。和传统因子测试方法不同的是，是反过来按照实际收益率表现分组，然后去统计每组股票尤其是涨幅最高的股票到底有什么特征，实现一个复盘的目的。

       成长期和成熟期股票的盈利增速对股价的影响有很大差异：

       1） 成长期股票：盈利利增速非常重要，股价涨幅最高的那组股票盈利增速的中枢也 是最高的，两者存在严格的单调性；

       2） 成熟期股票：盈利增速和股价表现并不存在严格的单调性，盈利增速低并不意味 着股价表现就不好。

       从另外一个角度来进一步验证上面的观点。如果分别在成长期和 成熟期去选择预期净利润增速大于 30%的股票等权配臵，月频调仓，分别计算两个组合 的超额净值表现。可以发现，策略在成长期里面超额净值的夏普比率约为 0.8，在成熟 期里面只有 0.4，差异非常明显，进一步说明了对于成长期的股票盈利增长才是最重要 的。

2.2.3、估值对比：成长期 VS 成熟期

       市场上关于估值的主流投资理 念有两种：一种是认为“买得便宜”很重要，估值高低对股票最终超额收益的影响很大； 另一种认为“好货不便宜”，宁愿为优势的公司付出合理的估值溢价，也不要去买看上去 估值很低但容易有价值陷阱的公司。这两种投资理念看似冲突，但其实没有严格的对错 之分，还是要具体看研究什么类型的股票。如果细分到成长股和成熟期的话，那就有明 确的结论了。

       按照股票实际收益率表现分组，然后统计每组股票预期 PE 的中 位数。可以发现：

       1） 成熟期的股票：“买得便宜”很重要，涨幅最高那组股票估值中枢也是最低的，两 者存在严格的单调性；

       2） 成长期的股票：“好货不便宜”的特征更加明显，涨幅最高的那组股票估值中枢并 不是最低的，反而出现比较明显的抬升。

       成熟期股票选股需要把估值放在很重要的位臵，而成长期股票盈利增速才是 核心，估值可以适当放松要求。

三、不同阶段成长股的选股策略构建

3.1、成长期股票投资模式

3.1.1、成长期股票投资：核心思想

       成长期股票投资模式的核心思想可以总结为一句话：以盈利增速 为核心，“好货不便宜”，可以适当放松估值的要求。也就是说，在成长期股票里面选股， 无论是从量化入手，还是从基本面入手，最重要的事情都是尽可能找到盈利增长最快的 公司。对于估值的话可以不要限制太严，否则容易导致很多牛股选不到。

3.1.2、成长期股票投资：基础策略

       基于核心思想先构建一个简单的基础策略。这个策略分别从盈利和估值两个维度设了一些筛选条件，其中盈利层面的筛选条件两个：1）分析师覆盖数量至少有 5 个，也就是之前说的初筛条件；2）一致预期净利润增速在 30%以上。 估值层面只需要设臵一个大概的上限就行，这里要求一致预期 pe 小于 80 倍，只要不是 太夸张都能够接受。

       这个基础策略满足条件的股票等权配臵，月频调仓， 基准是成长期股票等权。过去 10 年组合复合年化收益率约为 20.59%，基准年化收益率 10%，年化超额收益 10.59%。基础策略有初步的选股效果，但其实还有很多改进的空 间。

3.1.3、成长期股票投资：策略改进

       考虑到成长期股票盈利增速最重要，策略改进我们这里主要从盈利层面入手。这里主要看两个维度，一个是看“当前”，另一个是看“未来”。“当前”是考虑公司当前净利润的 质量，代理变量是应收账款和净利润的比值，比值越大，意味着公司当前净利润质量越差，容易出现所谓的纸面富贵的问题。“未来”是考虑公司未来潜在的损失，代理变量是 商誉和净利润的比值，比值越大，意味的未来商誉减值的风险越高，潜在的边际影响更 大。

       如果分别按照应收账款占比和商誉占比将成长期的股票分为三组， 然后统计每一组股票未来一年净利润变化的中位数。可以发现，比值越高的组，未来净利润下滑的力度确实越大，说明这两个指标确实包含了一部分未来净利润变化的信息。

       将应收账款占比和商誉占比作为风险剔除指标加到原有的基础策略里面，改进后策略效果如下所示。加入应收占比限制后组合的年化收益可以从 20.6%提高到 22.1%，加入商誉占比限制后组合的年化收益可以进一步提升到 26.9%，最终年化超额收益约为 16.9%，提升的效果非常明显。另外，策略偏主动思路，选股数量不多，平均每期持有 股票个数约为 17 个。

3.2、成熟期股票投资模式

3.2.1、成熟期股票投资：核心思想

       成熟期股票的投资模式和成长期很不一样，其核心思想也可以总结为一句话：“买得便宜” 很重要，盈利增速可以适当放松要求，未来盈利增速低并不意味着股价表现就不好。事实上，这个从直观逻辑上也能理解。对于成熟期的股票来说，盈利增速很难像成长期股 票那样再爆发性增长，因此估值买贵了大概率是需要很长时间来消化的，导致持有收益 率变低。

3.2.2、成熟期股票投资：基础策略

       基于成熟期股票的投资模式构建下面的基础策略，和成长期股票的基础策 略非常类似，区别在于成熟期的股票估值筛选条件大幅收紧，要求一致预期 pe 不超过 50 倍，而盈利增速的要求放松，大于 20%就行。基础策略净值组合年化收益率 14.13%，基准年化收益率 12%，年化 超额收益 2%，基础策略效果很一般。

3.2.3、成熟期股票投资：策略改进

       公司内在价值 V 取决于以下几个变量：初始投入资本 Invest Capital，资本 回报 ROIC，加权资本成本 WACC 以及增长率 g

       1） ROIC > WACC ，越高的业绩增速可以带来更高的公司内在价值, g 越大，V 越大；

       2） ROIC < WACC ，追求越高的业绩增速反而对公司价值造成损失, g 越大，V 越小；

       当一个公司的资本回报小于加权资本成本时，这时候业绩增速越高并不一定 是好事情。实际数据是否能得到验证呢？如果将成熟期的股票按照 ROIC-WACC 从低到高分为三组，然后分别 统计每一组股票未来一年净利润增速和未来一年股价涨跌幅的相关系数。可以发现，对 于 ROIC-WACC 大于 5%的公司，相关系数为 0.43，非常强的正相关性，这时候业绩增 速越高大概率意味着股价表现越好。而对于 ROIC-WACC 小于-5%的那组公司，两者的 相关系数大幅降低到0.14，这样就很容易出现净利润增速高而股价表现反而一般的问题。因此，对于成熟期股票选股，盈利层面仅仅看预期净 利润增速还不够，需要把 ROIC-WACC 这个维度的信息考虑进来。

       估值层面的改进建议将 PEG 的因素加入进来。即便控制 了 PE 的影响之后，PEG 越高的股票未来估值下滑力度越大，因此估值层面的改进可以 从这个角度切入。另外值得注意的是，前面分析的指标都是通过影响未来净利润增速的 变化来影响股价，而 PEG 是通过影响未来估值的变化来影响股价。

       盈利层面的改进是进一步筛选 ROIC-WACC 大于 5%的公 司，年化收益可以从 14.8%提升到 18.4%。估值层面的改进是进一步筛选 peg 小于 1.3 的公司，年化收益率可以进一步提升至 22.2%，改进后的策略表现提升得非常明显。

3.3、成长期+成熟期综合选股策略表现

       最后建议投资者将上面成长期和成熟期策略综合到一起使用，等权配臵两个 策略选股来的股票，可以做为 TMT 行业的选股组合。该组合收益表现如下所示，组合复 合年化收益率约为 25%，平均每期持有股票个数为 23 只，TMT 基准年化收益率只有 7%。 分年度来看的话，组合只有在 2014 年有-6%的负超额收益，其他年份基本为正。过去 两年组合效果也还不错，2019 年收益率 75%，2020 年收益率 50%。

四、结论汇总

       报告主要解决三个问题。1）如何基于生命周期理论去对成长股做不同阶段的划分？2） 不同阶段成长股股价核心驱动因素是什么？3）不同阶段成长股应该如何去选股？

       成长股生命周期四个阶段的划分。以 TMT 行业为研究对象，从经营活动、投资活动、 筹资活动的三个现金净流量出发，划分出成长股当前处于生命周期哪个阶段（初创期、 成长期、成熟期、衰退期），并从利润增速、收入增速、盈利能力三个维度验证划分方法 的合理性。

       成长期和成熟期股票应该作为重要研究对象。成长期和成熟期的盈利增速历年中位数最 高，分别为 14%和 8%，明显高于初创期(-2%)和衰退期(0%)。另外，成长期分析师覆 盖比率 44%，成熟期为 38%，初创期和衰退期分别为 29%和 16%，因此这里也建议重 点关注前两个阶段的股票。

       影响股价两个根本因素：P=EPS*PE。也就是说，根本上来说只要解决 2 个问题：1） 如何更准确地估算未来盈利增速；2）如何更好地比较不同股票估值性价比。本文建议把 分析师覆盖数量超过 5 个作为初筛条件，这些股票未来成长性普遍更好，盈利预测的准 确性也更高。

       成长期更看重盈利增速，成熟期更看重估值。1）盈利层面，对于成长期来说，股价涨 幅最高(>50%)的那组股票，盈利增速也是最高的(32%)，两者存在严格的单调性，成熟 期股票不存在这种关系；2）估值层面，成熟期股票“买得便宜”很重要，成长期股票体 现“好货不便宜”特征。

       成长期和成熟期股票投资模式不同。1）成长期：以盈利增速为核心，“好货不便宜”， 适当放松估值要求，最终策略年化收益率 26.9%；2）成熟期：“买得便宜”很重要，盈 利增速和股价的关系会受 ROIC-WACC 的影响。最终策略年化收益 22.2%。两者综合策 略 2010 年至今年化收益率 25%，TMT 基准年化收益率 7%，平均每期持有股票个数 23 个，可以作为 TMT 行业偏主动的选股组合。

五、风险提示

模型基于历史数据构建，未来存在失效风险。

来源：财是

现在的资管没有躺赢可言

       国内的量化投资发展历程大致可以分为三个阶段：萌芽期、转型期、快速发展期。

       2010年，国内股指期货上市，这一品种双向交易、T+0多次交易且自带杠杆的特点催生了国内量化投资的萌芽，我们看到，在萌芽期（2010-2015年），量化投资保持超低换手，但随后的四年，行业主流的股票量化交易实现了从低换手向高换手的跨越。

       2019年至今，人工智能算法越来越多的使用在量化投资的各个领域，底层的基础数据越来越丰富而且广泛。此外，交易执行上不断精细化，算法交易广泛应用。在这样的背景之下，我们看到，不同的量化管理人赚取的常常是差异化的超额。

       北京丰润恒道，一家创立于2014年6月的阳光私募基金公司，从成立到现在，一直使用使用量化投资的投资方法，致力于为投资人提供稳健的绝对回报。

合伙人团队经历几轮牛熊变换，具备丰富的量化实盘经验

       公司共有3位创始人，杨丰、何川和陈岳松，他们具备国内一流大学的教育背景、坚实的投资理论体系和丰富的量化投资实盘经验。

       杨丰，中国人民大学金融学硕士，曾任国家开发投资公司旗下投资子公司投资总监，中国人民大学国际货币研究所研究员，主要负责指导公司战略方向，领导投研团队研发交易模型，负责公司投资决策，专注于研究量化选股（量价类和基本面）。

       何川是北京邮电大学计算机博士，普度大学访问学者。曾任职于百度等互联网公司，从事人工智能技术研究。其以合伙人的身份创立丰润恒道，负责公司策略研发工作，负责公司量化投资策略研发工作，尤其擅长多因子模型和情绪驱动的择时模型，同时也负责CTA策略的研发。

       陈岳松，合伙人，IT总监。曾就职于甲骨文（Oracle），负责中国区技术开发工作，合伙创立丰润恒道，其负责量化投资系统架构搭建。由于公司从研究到交易都是用的自研系统，系统的架构搭建、更新和迭代显得尤其重要，公司每年用于软硬件的支出也占公司支出的相当部分。

       2014年到现在已经经历了几轮牛熊市场变换，量化投资技术也随着数学、统计学、计算机的深入应用和AI技术的发展不断的迭代而日趋成熟。丰润始终愿意走在市场和量化技术的前沿，去吸收和引进全球领先量化金融机构的成熟经验和技术，结合中国市场的实际情况，探索研究适合中国资本市场特色的投资策略、研发体系、风控体系和交易体系。

以数理为信仰，大胆假设、小心求证

       丰润恒道从2014年创立之初就专注于做A股二级市场的量化，主要是自营资金，2018年涉足估值和商品期货交易，即CTA。2019年底切入资管赛道，先后布局指数增强、量化对冲和量化平衡产品。

       从公司的收益表现来看，最近3年（2018.8.31-2021.8.11），公司累计收益达到**%。多头产品近三年的年化收益超过30%。风格更均衡的量化多策略产品可追溯到2016年，年化收益为14%。

       从融智风格测评的情况来看，作为一家量化投资公司，丰润恒道的整体风格注重防御，他们致力于获取可控波动下的投资回报。

       要实现这样的投资目标，依靠的是一套成熟的量化投资方法。在核心竞争力上，丰润恒道在策略、算法、系统上有三点优势：

       因子库端，因子库的不断扩充、投资组合的持续优化、多频段信号的全面糅合；

       数据端——高频数据的有效应用、大数据信息的高效提取、另类数据的及时采购；

       工具端——低成本对冲工具的合理选择、衍生品工具(期权、收益互换)的综合使用。

       他们专注于股票量化，从2014年一路走来，体会到的不仅仅是时代和科技给他们带来的机遇和发展，还有给他们带来的问题和挑战。

       在丰润恒道看来，现在的资管已经没有躺赢可言，量化这个赛道更是如此。虽然量化经过这两年的快速发展，一些趋势已经可以看见，比如规模向头部迅速聚集，头部企业在规模扩大后在研发的人力物力方面具有一定优势等，但也可以观察到量化到达一定规模后其盈利能力会到达瓶颈，并且头部的企业名单也是动态变化的。

       在研发、设计和管理产品过程中，丰润恒道始终以数理为信仰，本着大胆假设、小心求证的态度，不忘为客户提供长期稳定收益的初心去做工作。

以量化选股策略为纬，以择时体系为经

       丰润恒道的股票量化投资策略可以分为选股策略和择时策略两大策略系统。

       过度自信、损失厌恶、心理账户、选择性记忆等投资者心理偏差会让市场出现非有效性的机会，而这正是量化选股策略的超额收益来源。举例来说，2016年11月9日，美国总统大选，川普获胜，川大智胜（002253）盘中大涨几乎涨停；而之后连续达30个交易日的持续下跌。对于这种现象，我们通过舆情信息可以提前捕捉，而通过当日的走势则可以提前离场。

       数据源方面，丰润恒道的数据来源已经从主要来源于传统量价类数据、财务数据、扩展和加入了来自互联网平台的另类数据；并对这些海量数据进行分析和比对，从中找出相关性和规律，由此挖掘出基本面因子和量价因子；并且由这些因子构建出策略形成股票池来获取超额收益，同时叠加择时、日内和打新来增厚产品的总体收益。

       丰润恒道的多因子及事件驱动策略超过100个，根据逻辑稳健程度以及历史表现赋予权重。超过1000个备选因子库，实际使用因子超过400个。年度换手150倍，平均单票持有时间为2天左右；股票组合与对冲标的市值中性以及行业中性。这是选股层面。

       择时策略模型的构成上，40多个择时模型，独立发出择时多空信号；根据策略逻辑性以及历史表现赋予相应权重；根据策略多空信号以及权重得到总体市场判断，分别判断上证50、沪深300和中证500多空。

       举例来说，趋势跟踪模型通过多个模型信号过滤噪音，发现市场趋势性机会。中国市场追涨杀跌现象明显，趋势跟踪策略在大多数市场时期能及时发现并跟进中等级别以上的行情。情绪模型根据市场及新闻作为情绪代理指标发现市场情绪趋势性机会，在情绪过度反应时反向交易。

在技术快速迭代的当下，如何保持自身的高竞争力？

       自新冠以来，在疫情影响，经济复苏、国家产业布局和国际关系的影响下，股市的市场风格和行情轮动变化较大，尤其今年以来尤其明显；但无论市场和风格如何变化，量化的经典理论、研究方法和对数据规律的探究始终是不变的。只不过大数据时代的到来，为他们的数据来源、研究的思路提供了更多的选择和可能性，因子挖掘使用的具体工具和方法也更加的复杂。

       据丰润恒道介绍，未来，他们将主要从三个方面来保持自身的高竞争力。

       第一是对团队的打造，包括分工协作，内部分享和成员自身的不断提高；

       第二是不断学习和吸取经典理论、前沿研究成果，结合本土市场来做本地化的策略研发；

       第三是持续不断的对系统软件硬件的迭代投入，以满足更大量的数据处理和交易需要。始终以长期思维行进，在更长远的时间能进步，在这个领域上走在前沿。此外，公司更加看重长期回报的确定性，不会去承担系统性风险。

       通过对团队凝聚力和研究能力的整合，以及对前沿理论研究成果的探索，他们对投资策略做了更新和迭代。他们看好基本面因子配合量价类因子使用的表现，在新产品中会配置基本面因子，同时也积极布局高频策略，因为对于量化投资来说，频率越高，独立预测的机会越多，整体的表现就会越稳定。

       未来他们将仍然以指数增强和量化对冲两条经典产品线为主，尤其对指数增强产品进行细分，既推出标准化产品，也可以根据客户的风险来设计。这主要通过丰富产品中的策略或因子配置来实现；这样做的好处是既可以服务不同需求的客户，也可以适应市场环境的变化。

来源：网易