股市波动下量化策略走俏，扒一扒投资经理的一天

       随着《征服市场的人：西蒙斯传》在中国出版，人们再一次关注到量化对冲基金巨头、华尔街传奇人物西蒙斯（Jim Simons）。

        这位在数学界登峰造极的人物，从40岁开始转战量化投资界，由他开创的文艺复兴科技公司（Renaissance Technologies）旗下的大奖章基金（Medallion Fund）创造了量化投资界的奇迹。

       据悉，西蒙斯在过去二十年的费后年化收益有40%左右，而巴菲特的费后年化收益有25%左右。经历了几十年的发展，海外发达市场已是充分有效市场，被动投资在过去十年占据上风。相比之下，量化投资在中国才逐步兴起。目前中国有大约14.84%的量化交易，而发达市场高达50%以上。无论是发展前景还是流动性等条件，量化投资在中国的发展前景更大。事实上，今年以来，由于股市波动加剧，指数增强、中性策略都备受关注。

       日前，第一财经举行了第一期“第一财经VIP读书会”，会上第一财经总编辑杨宇东领读新书并分享了对于“一群极客打造华尔街最赚钱的机器”的想法，两位资深量化投资经理——野村东方证券资管部量化投资总监李自悟、瑞士联合私人银行在中国的合资企业瑞锐投资的投资总监袁磊，则各自分享了量化投资经理的一天，并对2021年中国量化投资作出了新解。

量化投资经理的一天

       今年，量化对冲产品备受关注。量化产品在风格比较极端的行情中一般不是表现最出色的，例如2020年的市场单边上行行情，因为量化策略的出发点是不希望投资走极端、赌大类的风格。好的量化投资，一定是注重风险控制的，讲究对行业的分散、对风格的控制，通过积少成多的复利来实现收益。如果组合构建时能在风格和行业上配置的较为均衡，即使有回撤也不会太严重。否则若仅靠赌风格，收益波动会显著放大，收益的可持续性也较低。

       量化投资经理的一天也往往令人感到好奇。此次，李自悟和袁磊分享了自己作为量化投资经理的一天工作经历。

       与基本面做多的基金经理不同，量化投资的核心在于聚少成多，积小胜为大胜。所以相对主动管理型投资而言，量化投资在管理组合时会倾向于充分分散，在每个方向上都会控制头寸和风险。这就使得量化投资经理面对的来自市场的压力要小很多。

       袁磊表示，“基本每天早晨五六点就会起床，做一些简单运动，让大脑充满活力，为一天的交易、挖因子做好准备。到办公室后，白天的工作主要是对前一天工作的反馈，并确认是否有震动市场的爆炸新闻。由于有从海外引入全球先进的系统来为第二天的风控做准备，因此前端的工作在前一天晚上就已经完成，所以白天的工作侧重于研究和交流想法。直到下午两点到三点才是最重要的工作时间，因为需要为下一天的交易时间做准备。三点之后，团队则会进行一些梳理为第二天和之后的市场变化做好充分的准备。”可见，量化投资工作的特点是，有一段非常集中的忙碌时间，并依赖于风控系统。

       李自悟早年也从事过主观基本面投资，因此对于其与量化投资的差异深有体会。他表示，对于主观投资经理来说，由于头寸比较集中，因而尤其关注市场和个股，这就导致了他们对事件的敏感度会更高。以美元债组合为例，全球任何事件和新闻都有可能对美元债的损益和头寸产生巨大影响，因此主观投资经理需要时刻保持高度紧张。

       ”与主观投资最大的不同是，量化投资在头寸的摆布上会高度分散，更追求在不同的方向上多下注，力求每一注都能带来回报，因此量化投资经理对事件性新闻的敏感程度更低。每天早晨模型会预算好当天的调仓交易，投资经理主要负责审核并决定是否需要作出微调，再交给交易员去执行。日内交易策略则基本实现全自动化，会交给专门的交易员去跟踪执行情况。因此从开盘到收盘的交易时间，量化经理相对比较放松，所做的更多是监控模型的正常运行，以及研究方向的讨论。”李自悟称。

       对于他而言，最忙的时刻也是盘后。“量化投资经理需要对当天的交易执行情况和策略损益进行分析，及时发现问题，提出改进的想法，并交给研究员去验证。量化团队对投资和研究的界限更为模糊，整个投研团队的讨论学习也占据了相当时间。”

2021年量化产品“吸睛”

       今年以来，量化产品的关注度也不断攀升。A股今年处于震荡市。年初一波剧烈下挫使得更为抗跌的中性策略脱颖而出。而二季度开始中小盘股的亮眼表现也使得量化选股发挥了优势，中证500、1000的指数增强策略斩获了远高于多数基本面多头策略的超额收益。

       谈及春节那波行情变脸背景下量化对冲基金的抗跌属性，李自悟此前表示，量化对冲产品比较抗跌主要是因为采取市场中性策略，即在投资组合中，既包括股票多头，也包括股指期货或融券的空头，通过两者多空结合来对冲市场风险。这使得市场中性策略能将整体市场的波动剥离，不管市场涨跌都有获利的可能。当然，不同的市场环境下效果也不一样，在震荡或者下跌的市场环境中，中性对冲策略表现稳健的优势就会凸显出来。

       二季度以来，上证综指一度突破3600点，创业板指更是不断创下新高。同时，板块的结构性变化更为突出——价值蓝筹股不断下挫，新能源、光伏等景气板块大涨，中小盘股延续强势，这也表现为中证500、中证1000指数持续跑赢沪深300，二季度以来，指数增强产品备受追捧。一家第三方机构的监测数据显示，368只成立满6个月的指数增强策略私募产品（不完全统计），今年上半年的平均收益率为10.84%。其中，上半年实现正收益的有346只，占比为94.02%；28只产品上半年收益率超过20%。

       现在比较主流的指增策略主要由原来的市场中性策略演变而来，将市场中性策略中的股指期货对冲部分去除，直接构建股票纯多头组合，运用量化选股的方法选择一揽子股票，追踪指数，控制跟踪误差，目的是在承担市场风险的前提下不仅获取中性策略所提供的纯阿尔法收益，也获取市场本身所带来的收益。市场下挫时，一般指增产品的回撤小于被动型指数基金。

       此外，量化选股主要是试图预测一段时间后全市场股票收益率的排名，以便买入排名靠前的股票，卖出排名靠后的股票，保持总仓位不变。很长时间里，选股是量化最大的超额收益来源。量化选股有效的前提是个股涨跌的区别够大。否则像2019年12月5日，个股涨跌主要集中在-2.5%到2.5%区间，差别非常小，量化模型就无法选出优秀的股票。今年5月开始，市场波动变大，个股表现的区分度也同步回升，对量化选股比较有利。

       李自悟此前提及，其团队基本上是按照全市场去建模，然后根据产品需要去做组合优化，构建出符合风控条件的投资组合。在挑选基础的训练池时，会进行一定的预筛选。目前全市场共有4000多只股票，会结合基本面和技术面因素，剔除投资价值较低、流动性较差、价格噪音较高的股票，再在较小的但相对纯净的股票池中进行因子挖掘和模型训练。一方面是因为小市值的股票交易不活跃，价格受偶发因素影响较大，影响模型的训练。另外一方面，这也有助于团队开发更大容量的策略。

中证500、1000仍被看好

       现在的指增产品主要跟踪沪深300、中证500、中证1000等指数。目前中证500、中证1000指数静态市盈率在20～40倍之间，从历史上来看处于20分位以下，相对投资价值更高。同时，它们的盈利改善幅度开始超过沪深300，中小盘市值公司出现明显的盈利弹性，这使得中证500、中证1000可能出现指数层面的戴维斯双击，相应的指增策略备受追捧。

        多数机构预计，下半年PPI触顶回落，周期弱化，科技和成长属性较强的中证1000相应会受益。

       谈及下半年的投资策略，李自悟认为，仍比较看好今年下半年到明年上半年的权益市场，主要基于两点考虑——从宏观来看，中国整体经济处在温和复苏的过程中；从企业盈利周期来说，由于疫情的影响，本该从2020年上半年开始的盈利周期被推迟了，今年盈利周期重新回到比较良性的复苏过程中，可能和宏观经济周期产生共振。就策略而言，他认为，沪深300和中证500、中证1000指增各有优势，前者波动较低，更为平稳，持有体验较好；而后两者目前估值较低，成长空间较大，且更容易获取超额收益。而对于希望获得更低波动、稳健回报的投资者而言，中性策略也不失为一种选择。

       “从长周期来看，指数的估值相对个股的估值，均值回归的特性更为显著。我们更看好估值合理、长期增长有保障的指数和板块，而不是特别高估值的例如“宁指数”这类板块，因此中证500是比较看好的方向；而在沪深300中，比较看好偏价值型低估值板块。目前，沪深300中偏成长的股票已经有了26倍的估值，而中证500中偏成长的股票估值为18倍，它们风格类似但估值差距超过50%。”

       袁磊则认为，任何价格的膨胀都是资金流的导向，因为比起基本面，更要关注的是资金会往哪里流，经济基本面是资金流向的一个部分，但是还有国内外资金不同的资金成本所对应的机会成本，各自所定的内部目标等等，因此这类因素可能是影响资本市场更重要的一个环节。

       根据相关数据统计，外资持有A股市值达约3万亿元，占A股总市值的比例已经超过4%。袁磊表示，目前外资能够买的中国股市标的仍比较有限，且整体仍是低配A股，未来的配比大概率是向上，例如将中国的配比从当前的1%~2%提至3%~4%，即使是微弱的提升，也意味着巨大的万亿级别资金量，而这些资金之所以配置中国，看中的是中国仍有高达6%~7%的GDP增速，因此外资更倾向于或更可能流入的标的将是需要关注的重点。 

来源：第一财经

量化私募投资者交流会在深圳举行 深入探讨量化投资策略

       8月1日，由中信建投证券主办的“揭秘量化”中信建投财富巡礼主题交流会在博林圣海伦酒店举办。会议邀请了中信建投证券经纪业务管理委员会委员、广东分公司总经理梁峻和诚奇资产创始人兼CEO何文奇进行主题演讲，深入介绍量化投资策略。

       梁峻首先介绍了主观投资和量化投资的区别，他认为两者的投资思路基于两种不同的哲学思维形成，“前者属于演绎法而后者属于归纳法”。因此，量化投资往往不在意投资策略背后的经济学原理，而往往是从数量规律出发。“优秀的量化投资人大多是统计学和编程方面的专业人才”，他补充道。

       何文奇认为，量化投资以各种量化模型为基础，通过模型计算得到投资相关指令。比如在股票定价方面，“量化通过输入获取的信息，包括行情数据、上市公司财务数据等，还包括新闻舆情、产业链等另类数据，进行模型训练，通过深度学习对股票进行定价。”何文奇补充道，现在的主要数据仍为量价交易数据，但这方面的比例在逐渐降低。

       会议还介绍了国内量化投资的发展历史和未来趋势。“2015年后国内涌现了一批以机器学习为主要工具的量化私募，其背后的重要原因是谷歌、亚马逊等公司开放了一系列深度学习框架。”梁峻表示，而在发展趋势方面，“当前主流量化私募的发展方向之一是自然语言处理。”他介绍，自然语言处理就是借助机器学习的力量,迅速把市面上的新闻、研报、公告等文字信息转化为量化数据，以供更进一步的研究。

来源：读创

人工智能赋能金融，新纽科技与工银科技合作完善布局

　　7月27日，新纽科技（09600.HK）宣布与工商银行（01389.HK）全资子公司工银科技有限公司建立人工智能领域的合作伙伴关系。

　　一、“AI＋金融”行业趋势显露

　　中国金融IT解决方案的市场规模由2015年的446亿元增加至2019年953亿元，年均复合增长率为20.9％，随着金融行业内部不断推进信息化进程，预计2021年市场规模将达到1440亿元，2025年将达到2730亿元。

　　作为中国最大的银行机构，工商银行在金融领域中为国内与国际的客户提供全方面的金融服务，具有最为全面银行业务运营体系和应用场景，且在金融领域内拥有巨大的客户市场。

　　新纽科技作为国内专注金融IT领域解决方案的头部上市企业，是当前唯一具有企业级RPA解决方案并成功落地的行业龙头。

　　自2019年9月中国人民银行发布《金融科技（FinTech）发展规划（2019-2021 年）》以来，我国金融科技的发展便上升到了国家层面的高度。

　　针对金融IT的需求主要来源于两大方向：银行、券商系统的国产化；以及面对数字货币、分布式系统等新兴技术所带来的新IT需求。随着技术的快速发展和政策的大力支持，未来两年，金融科技将持续向我国传统金融领域渗透。

　　2020-2021年是我国金融科技的政策大年。一方面，政策持续加强金融领域在风险防范和反垄断方面的监管；另一方面，数字货币、金融科技的试点也在逐渐深化，为行业的创新发展保留了足够的探索空间。

　　随着外资在银行、证券、基金、期货等领域的持股比例限制取消，国际金融机构纷纷进入了中国。国内金融领域的竞争加剧，加快金融机构的数字化转型，提升金融创新成为了国内大多金融机构的重要目标。

　　在金融领域，能够快速学习市场新模式的人工智能技术，为最受瞩目的热点课题。根据艾瑞咨询数据显示，银行业、互金行业、保险行业是AI技术的主要购买方。

　　其中银行业务由于其业务复杂度最高、数据海量、风控要求最高等因素，为金融领域中AI技术的最主要需求方。根据2018-2022年中国AI+金融相关市场规模预测，2020年金融场景AI投入总规模预计已达254.4亿，2022年将达到414.5亿元，金融业对于AI技术的投入将持续增加。

　　整体来看，金融与科技融合发展已经成为行业趋势，我国正迎来金融科技发展浪潮。金融IT解决方案市场受政策规划、信息技术发展和国产化需求等多轮因素驱动，未来发展前景广阔。

　　此次合作双方将在RPA（Robotic Process Automation，即机器流程自动化）、智能问答、智能推荐、知识图谱等基础能力方面优势互补，全面合作，面向以工商银行为代表的金融、医疗、政务等行业客户提供人工智能综合解决方案，形成较高市场占有率和收益回报的人工智能科技产品。本次合作将共同发挥双方的优势，凭借各自在金融领域内的技术优势与市场优势强强联合，实现AI技术在金融领域的突破。

　　二、国内RPA市场前景广阔

　　新纽科技作为中国国内少于十家已成功将 RPA 解决方案商业化并产生收入的金融机构 RPA 解决方案提供商，在本次与工行的合作中有关RPA技术的应用备受关注。RPA技术作为新兴的人工智能落地应用之一，其产品在国内的推广时间并不长，市场尚是一片蓝海，但发展速度却非常迅速。

　　随着2020年新冠疫情的爆发以及全球经济的衰退，使得大型金融企业更加关注于成本控制，增加了企业使用RPA产品的亿元。

　　Gartner 调查表明，RPA 是全球增速最快的软件市场之一，在 2018 年和 2019 年分别增长 63.1％和 62.9％，与全球软件市场 13.5％和 11.5％的增速相比差距明显。到 2023 年底，预计全球 90％的大型组织将采用某种形式的 RPA。

　　由于RPA具有高业务流程自动化，以及强稳定特性，且最适合有固定规则、结构化数据较多的场景，因此RPA天然适用于嵌入银行IT、证券IT等进行相应金融机构场景落地。

　　而相较于其他IT解决方案，RPA可以利用现有的基础设施来实施，而不会破坏底层系统。对于使用者来说，RPA可以RPA允许组织将之前成本和时间的一小部分进行自动化，在替换成本、盈利时间、可扩展性上都具有优势。

　　在技术发展上，RPA+AI 已经成为行业发展的一大趋势。目前，RPA 大多局限于通过人事先预定的程序，执行流程简单、重复、有固定规则的任务。

　　而加入AI技术后，AI 的语音、图像、文字识别技术和学习推理能力能够帮助 RPA 处理非结构化数据，完成更为复杂的任务。RPA 的应用帮助 AI 技术的落地，AI 技术的发展驱动着 RPA 在更多场景的应用，两者具有高度互补的特性。

　　据 Gartner 预测，至 2022 年，80％部署了 RPA 的组织将会引入人工智能技术，包括机器学习和自然语言处理以改善企业的业务处理流程。随着自动化过程采用率的提高和客户继续深入探索自动化平台所应用的场景，AI在RPA中的应用将会越来越多。

　　本次新纽科技与工行的合作，将深度探索金融业务场景与AI相结合的解决方案，凭借公司在RPA领域的技术积累与应用经验，或将在未来实现高质量的RPA+AI场景创新。

　　尽管国内RPA市场存在企业数字化程度不足、竞争者数量剧增的问题，但数字化转型是国内不变的趋势。

　　国企、政府机构的采购去美国化为国内金融IT厂商提供了市场空间，而RPA市场的在国内的高速发展也说明了，中国市场对人工智能、金融科技的接受程度越来越高，大型企业欢迎并重视提供数字化转型服务的服务商。

　　未来，随着大厂的加入，市场竞争日趋激烈，AI 技术或将成为 RPA 产品的核心竞争力，提前布局的厂商将获得先发优势，形成技术壁垒，为其在未来的市场竞争中打下良好的基础。

来源：钥城网

关于量化多头策略投资者必须要知道的几个知识点

1. 什么是量化多头策略？

       量化多头策略是指通过量化的方式选择预期较优的股票，并用程序化的方式进行投资的策略。以股票作为主要投资标的的量化策略包括量化多头策略，指数增强策略，择时对冲策略和阿尔法策略。其中，量化多头策略和指数增强策略是纯多头的策略，择时对冲策略是根据对指数的观点动态对冲股票风险敞口的策略，而阿尔法策略是完全对冲掉股票风险敞口的策略。

2. 量化多头选股到底和指数增强有什么区别？

       量化多头和指数增强都是纯多头的股票量化策略，二者的主要区别就在于“对标”。严格意义上的指数增强策略需要让持有的一揽子股票与指数的风格、行业进行一一匹配，以保持模型选出来的一揽子股票能够具有与指数相似的特征。在这种严格的对标下，中证500指数持有10%的消费行业股票，指数增强产品也需要持有10%的消费行业股票，即使模型预期消费行业的股票并没有非常好的前景也依然会为了保持对标而持有。

       而量化多头在设计之时，希望放弃与指数在风格和行业上的严格对应关系，而是让模型根据计算结果，相对更加自由地选择股票，这样相当于机器每时每刻都在试图选择全部股票当中最优的那部分股票，而不会受到指数对标的硬性约束。这也意味着量化多头产品可以在行业和风格的配置上变得更为灵活，放开了风格敞口控制的量化多头产品，可以说在收益弹性上也获得了更大的空间。

3. 为什么量化管理人纷纷去做量化多头选股了？

       从管理人发展路径来说，国内大部分管理人都是先做阿尔法策略，再做指数增强策略，再做量化多头策略。而这样的路径发展，是和国内投资者偏好变化有关系的。在量化发展的初期，市场上的超额获取容易，超额较高，阿尔法策略预期收益超过两位数，投资者倾向于投资于这些低回撤，同时收益较高的策略。

       随着量化规模的增加，股指期货贴水影响较大，阿尔法策略的预期收益下滑，投资者逐渐开始接受指数增强策略，指数增强策略与阿尔法策略相比，不必支付高昂的对冲成本，即使指数没有显著表现，超额依然可以贡献可观的收益。

       到了当下，我们又看到越来越多的管理人开始选择量化多头策略。量化多头本身在国内并不是一个陌生的策略，早在股票量化刚刚兴起的时候，就已经有量化多头策略了，只是那时候由于量化多头还不是大众化的策略，所以大家并不会将指数增强和量化多头策略分开讨论。

       而随着指数增强策略的发展，管理人们渐渐意识到了一个巨大的矛盾，那就是指数增强策略和量化多头策略具有非常类似的业绩特性，但指数增强产品的收益和量化多头对比时却缺乏了吸引力。明明是好心帮投资者多做了一层风控，结果还被嘲讽业绩不好，两者本不应该在同一个起跑线上比较，但是实际上却在认知上被混淆在了一起。在这样的背景下，有一些量化管理人就不服气了，要不咱们干脆就堂堂正正地比赛一下，咱们都做量化多头。这样一来，在常年内卷的中国量化市场，我们就看到了不少头部量化管理人纷纷开始发行量化多头产品。

4. 量化多头选股和主观多头选股有什么区别？

       量化多头和主观多头的决策方式不一样，主观多头是通过人为的方式进行选股和交易决策的投资方法，我们认为量化选股与主观选股能够形成有效的互补。主观和量化的管理人一个是把研究做深，一个是研究做广，主观管理人一般选股的范围在于市值较大的股票，因为这类的股票更容易进行定性分析，调研也可以进行地更深入，而量化管理人选股的范围除了市值较大的股票之外，小市值的股票也可以成为研究对象。所以，有一些主观管理人精力上难以覆盖的股票会成为量化管理人的投资标的，二者进行有机的融合，形成互补。

5. 量化多头的产品适合哪种投资者？

       如果投资者对指数并没有明确的观点和需求，希望通过量化的方式选择较优股票的投资者可以选择量化多头策略。对于指数增强有需求的投资者往往不希望承担过度偏离指数的风险，比如持有指数衍生品的投资者仅仅希望获得超额收益，不希望承担偏离指数部分的风险时，就比较适合投资指数增强。而反过来，如果投资者没有对持有指数有很明确的要求，而是希望模型能够选出阶段性更优的股票，对于更有弹性的收益有明确的需求时，量化多头产品就比较适合了。

6. 量化多头一定会有更高的收益吗？

       不一定，量化多头通常意味着更高的收益和更高的风险，并不能简单地理解成收益更高。在模型判断正确的时候，由于放开了更多的风格敞口管理，所以进攻性会更强，但同时，模型阶段性不适应的时候也同样会面临更大的超额波动。

7. 量化多头的风险在哪里？

       量化多头策略看似在多方面都相比之前的策略有了较多的进化，不过此策略依然会有不适应的时期。比如，市场上遇到快速风格切换的时候，量化管理人往往难以左侧判断，所以这个阶段遇到的超额回撤也会更大。其次，市场交投不活跃时，量化的信号可能会遇到较多的噪音，导致风格不适应。

8. 量化多头策略该如何筛选管理人？

       首先，我们建议在指数增强和阿尔法能力强的管理人当中选量化多头管理人。当今市场上有的管理人选择做量化多头策略，仅仅是因为他不会做指数增强，比如风控模型搭建的缺失，或者在指数增强严格的约束要求之下，做不出来超额。这类型的管理人在策略搭建上本身就会有一些粗糙，只能通过承担风险的方式搏取收益，如果是这种管理人是我们不建议的。我们建议选择本身在股票量化策略就已经具有比较完善投资体系的管理人，量化多头策略搭建的难度实际上低于指数增强和阿尔法策略，所以选择一些有能力做得更好的管理人，会更具有确定性。观察的最好方法是去看管理人的阿尔法策略和指数增强策略是否具有良好的历史业绩。

       其次，投资者需要关注量化多头产品的持股集中度。有的量化多头管理人仅仅在产品中选择预期做好的数十只股票作为底层标的，但我们认为这样的行为实则失去了量化投资的初衷。量化投资是通过大量的数据统计和分析最终得到大概率更优的结果，模型的优势在较多的数据之下才能够体现出显著性。如果仅持有少量的个股，或许能够获得阶段性的高收益，但这并不能从数量上证明模型具有真正的超额能力，我们建议量化多头产品需要均衡持有200只以上的个股才能够更好地体现其均衡性，而不是在少数个股上进行“赌博”。

       最后，关注管理人能力和规模的匹配程度。管理人需要在其规模容量范围内进行投资，如果管理规模超出了管理能力，会导致难以交易模型希望选择的个股，或者将一些不希望选择的股票纳入选择，不具备可持续性。

来源：新浪网

未来3-5年大概率是基本面量化投资的优势阶段

       过去三年多的时间，A股市场经历了比较极致的结构性行情：在资金的推动下，市场不断推升少部分股票的估值并同时打压另一部分股票的估值，在一定程度上忽视了上市公司的基本面;少部分受到追捧的股票的估值被抬升得很高，已经无法与其成长性相匹配，另一部分股票则长期被市场忽略，估值变得很有吸引力;行业表现也极端分化，少数行业或者子行业板块的估值变得很高，另外一些行业的估值却出奇地低;一些“抱团”的投资策略变得十分拥挤，分散化的投资受到挑战。但是，市场演进到今天，我们认为上述趋势难以为继，未来市场回归或许是大概率事件。

       因此，当前时点，我们认为量化投资未来大概率会有相对更好的表现，建议投资人在权益类投资中增加基本面量化投资策略的配置。

       从历史表现来看，我们对比了13年以来A股市场的公募量化基金(13年开始公募量化产品逐渐发展)的整体表现与主动股票基金的整体业绩，可以发现2013年到2017年三季度前，量化基金整体跑赢主动股票基金;2017年四季度至2021年春节前，主动股票基金整体跑赢量化基金。过去三年多的时间，在资金的推动下，主要的主动管理策略出现比较明显的拥挤现象，在这种情况下，处理基本面信息的分散的量化投资大概率上到了应该回归的时段。根据我们对A股市场的研究和理解，我们预期未来3-5年，大概率是基本面量化投资的优势阶段。

        从风格回归的角度来看，2017年4季度至今，A股市场一方面拉抬白马龙头股估值，另一方面打压非一线龙头(中小票)的估值，这种两极分化在2020年疫情引起的宽流动性环境下走向极致，后期市场采取“抱团”策略。尽管这种抱团的情况于21年春节后有所缓解，但当前A股市场结构性分化依然存在，大小盘风格、高低估值风格、成长价值风格的估值差仍处于历史性高位，后续市场预计会在极致后逐步回归，这样以基本面为基础的量化选股模型或将重新发挥其优势。

       从行业回归的角度，行业作为风险模型的重要因素，长期没有超额收益。但自17年四季度以来，受各种因素的推动，行业分化也逐渐加剧，少数行业(像食品饮料、医疗行业，及部分TMT)涨幅远远超出其它行业，考虑盈利增长速度之后的估值依然很高，交易拥挤度变得很高，行业估值回归基本面也是可预见的结果。这同样也有利于行业中性的基本面量化投资策略。

       从投资分散化的角度，龙头大盘股的估值难于继续抬升，中小盘股在比较长时间的被压抑之后，大概率上会有更好的表现。在投资中小盘方面，集中持股的大基金的优势会受到制约，分散投资并通过程序化交易控制交易成本的量化基金的优势将得到体现。

       综上，我们认为量化投资未来会有相对更好的表现，A股市场的最近的表现也验证了我们以上的观点。近期市场正在朝着我们预期的方向转化，尽管未来可能仍会有一定的反复，但我们认为大方向上应该是比较确定的。所以，我们建议投资人，尤其是机构投资人当前可以在投资组合中增加量化基金的配置。

来源：腾讯网

量化投资领域的未来

       仅在 80 年代和 1990 年代才出现的量化股权投资领域，现在已成为资产管理行业的成熟部分。虽然金融服务行业的许多领域都受到技术和新分销渠道的干扰，但量化投资继续蓬勃发展。

       市场的持续全球化也将在未来发挥作用，因为投资者将能够进入新市场。最大的机会可能在于人工智能和大数据。这些技术一起使用时，可以让分析师找到股票价格与投资者传统上不使用的数据之间的关系。卫星图像、社交媒体内容以及来自车辆和设备的 GPS 数据都是潜在的情报来源。

       情绪是量化投资越来越重要的一个因素。人工智能和大数据都被广泛用于对情绪及其预测能力进行建模。人工智能的进步可能最终允许对定性因素进行建模。通过考虑更多的主观因素，这将缩小量化与传统主动基金管理之间的差距。

       量化策略通常需要很长时间才能执行，并且在较短的时间范围内通常会低于其基准。并非所有量化基金都是如此，现在正在使用新的数据源来创建可在短期内生成 alpha 的模型。

       大多数量化项目无法考虑主观因素。虽然具有强烈动量倾向的基金可以捕捉成长股的表现，但基于其他因素的基金通常会错失高成长股。量化策略容易受到其他算法交易策略可能造成的波动性和闪崩的突然增加的影响。量化基金的管理没有任何自由裁量权，这一事实可能是一把双刃剑。在大多数情况下，冷静的决策本质是一种优势，但在某些情况下，它也可能是一种劣势。

       量化投资模型基于概率和预期回报分布。这意味着可以更准确地预测预期的风险和回报，但这也需要足够大的样本量才能有效。因此，量化基金通常持有比主动管理基金更多的证券。主动管理型基金的投资决策由基金经理做出，具有很大的自由裁量权。

       量化投资使三件事成为可能——同时研究大量项目、基于经验证据而非主观预测的决策，以及投资组合管理的系统方法。早期研究确定存在某些异常现象来解释股价表现。价值、动力和市场价值是被发现导致表现优异的第一个因素。

       亿启量化智能平台将基本面、定量和技术分析与一些常识相结合，随着时间的推移，已经发现其他因素和因素的组合表现优异。

来源：金色财经

人工智能跨界公募基金，除了投资收益还应关注什么？

       "全民基民”的揶揄声中，2021年上半年公募基金成为最受投资者欢迎的投资标的之一。

       伴随基金走红的，不仅有明星基金经理，这个被不少投资者视作硬性指标的参考因素，被外界频频提及的还有人工智能技术和投资的跨界组合。

       随着人工智能商业化浪潮的涌动，越来越多的传统金融机构、互联网巨头、第三方机构入局智能化的理财投顾服务。AI选股真的能跑赢大盘吗？如果答案是肯定的，想象空间又有多大？

       近日，国外一支基金的走红拓宽了不少投资者对这个问题的认知边界。6月，人工智能驱动的AMOM基金将特斯拉和亚马逊从其投资组合中剔除，转而选择增持高通、Snap和GameStop等公司的股票，GameStop在此期间已飙涨175%。

       在国内，也出现了华夏基金这样将AI和投资结合的成功案例，据华夏基金总经理李一梅介绍，得益于和微软亚洲研究院AI技术的合作，旗下一只基金年化超额收益接近10%，另一只接近15%。

        AI+投资的故事看上很美好，在AI的加持之下，投资这件事真的就能做到万无一失吗？

       在近日举办的第四届微软亚洲研究院创新论坛上，李一梅透露，AI和投资结合一开始并不是“闪亮登场、大杀四方”，而是在数据领域、人工智能领域经过了长达四年的深入探索。

       她表示，双方合作的第一个着力点定位在了应用于量化投资和指数增强的实践上，通过不断地用逻辑和数据训练机器，最后才形成一套在行业里非常领先而有效的指数增强技术。

       微软亚洲研究院副院长刘铁岩也向36氪表示，针对针对我国金融市场自身特点的智能研究，是一件既有挑战又有机会的事情。

       挑战上看，A股市场的复杂性，除了政策监管外，还有散户群体的行为相对更主观，与美股市场主要是机构参与的情况相比，效率要相对低一些；机会上看，金融领域，尤其是投资领域在数字化上走得非常靠前，这给AI介入提供了良好的基础。

        “A股因为有很多散户存在，市场效率并不算高，所以里面有非常多的个人喜好数据存在，这对于我们进行市场洞察很有帮助，对于大家理解这个市场非常有用。”

       对于当前明星基金经理备受追捧的现象，刘铁岩则表示，“正是因为大家对这个领域的知识储备不够，才希望能够借鉴专业人士的判断。但人难免会有局限性，很难把这么多的资金照顾周全。”随着智能投顾市场不断成熟，当更多的投资者有足够的知识和技术去做决策时，我们将会迎来一个更加高效、更加有效的市场。

       需要警惕的是，2008年金融危机中，过度依赖计算机被认为是一大诱因，如今的AI技术是否能避免重蹈覆辙？

对此，刘铁岩表示，技术和对技术的监管总是一对双生子，所有的技术其实都是工具，技术导致的各种后果其实都是人使用带来的结果。“不管是高频的算法交易，还是人工智能的预测技术，我们怎么使用它、监管它，这是非常重要的环节。”

来源：36Kr

面向金融业的平台大数据共享框架研究

       利用平台大数据有助于降低金融领域信息不对称，这一点得到学术研究的验证与肯定。但是，如何确保平台大数据在金融领域使用的合法性、合规性，仍存在诸多亟待解决的问题。本文综述了平台大数据对于提升金融业效率的主要研究，明确了我国政府将数据作为重要要素市场建设的政策方向，梳理出当前存在的问题，提出了API模式、数据库模式和工作站模式等三种共享框架，并比较研究了这三种框架方案。

平台大数据对于金融业提升效率具有重大意义

        1961年斯蒂格勒研究了信息的成本与价格，以及信息对价格、工资和其它生产要素的影响。在保罗·罗默（Paul Romer，1990）、格罗斯曼和赫尔普曼（Gene M. Grossman & Elhanan Helpman，1991）提出的新增长理论中，将知识和技术对产出的贡献进行了研究，指出知识在经济增长中产生巨大作用。2019年5月17日，日内瓦世界经济论坛以“银行业的未来”为主题探讨BigTech对银行业的影响，国际清算银行（简称BIS）首席经济学家Shin在日内瓦世界经济论坛上发布工作论文，对使用电商平台的订单大数据来发放贷款产品进行了实证研究，验证了订单等大数据对金融业降低信息不对称、服务实体经济的成效，充分肯定平台大数据对实体经济的金融支持效率。经过多年来信息经济学的发展，2020年4月10日，《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》分类提出了土地、劳动力、技术、数据五个领域改革的方向，明确了完善要素市场化配置的具体举措。2020年10月召开的十九届五中全会提出“要素价格市场决定、流动自主有序、配置高效公平”，为数据要素市场指明方向。

平台大数据应用于金融业存在的问题

       2021年我国已经开始实施的《民法典》,明确消费者在平台产生的数据属于消费者与平台共同所有，为金融业共享平台大数据奠定了法律基础，但也引出了超授权使用、利益分配、数据保护和技术完备性等难题亟待解决。
（一）超授权使用问题：法律已经重塑数据权属关系，但消费者如何有效行使自身权利？
       平台方在跨平台加工利用消费者数据时，过去不向消费者明示数据权益甚至让消费者干脆不知情的做法是难以为继的。消费者产生的数据存储在平台本身并不是问题，超授权使用甚至非法使用这些数据才是问题。但是如果频繁授权，也可能导致消费者被过度打扰。
（二）利益分配问题：经济学对数据要素的界定引发利益分配问题，消费者和平台如何共建数据要素市场？
       消费者在平台上产生的数据成为生产要素之后，作为一种生产资料，或者说作为一种资产，它产生的成果该如何分配？（杨凯生，2020.12）由于消费者在平台产生的数据属于消费者与平台共同所有，那么企业通过对外交换数据赚取利润后，消费者有权向企业要求利润分成，但这个问题在现实中没有得到很好解决。特别是，在传统经济模式中，消费者与平台相比处于弱势，很难控制平台操作。同时，平台也没有条件、更没有动力将双方达成一致的利润发放到消费者手里。
（三）数据保护问题：数据流动性强、复制成本近乎为零，如何保护消费者数据不泄露？
       数据只要发生转移，就可能出现二次销售的可能性，进而衍生出数据被滥用的更大可能性，如何从源头上堵住数据泄露的口子是当务之急，同时也不能因噎废食，将数据只留存在原始平台中，产生不了价值。
（四）技术完备性问题：解决这一新型难题将采取什么样的技术方案？
       有人期待使用新技术来解决新问题，比如区块链，但是这些技术在没有成熟先例的前提下，需要慎重考虑在全国性金融信息基础设施上应用。另外，当前数据隐私保护技术蓬勃发展，但这些新技术依然存在通用性不强、技术门槛高、消费者获得感不强等问题。很多平台宣称自身数据都是经过脱敏处理，且可以采取“数据可用不可见”的方式，但这种方式无法支持复杂的机器学习建模，而且各平台的方法各异，消费者对各种具体保护方法并不熟悉。

解决思路
       在中国人民银行发布的《征信业务管理办法（征求意见稿）》中，明确“利用个人信用信息对个人作出的画像、评价等业务”被纳入征信业务范畴，为平台大数据合法合规应用于金融业提供新的契机。

（一）“一点授权、全网管理”，解决消费者大数据的代理授权问题
       可以考虑由同一家中立、共有性质数据平台接受消费者“一点授权、全网管理”的请求，由消费者发起请求，消费者本人授权，该平台代理行使消费者在所有平台上数据的所有权；也可以由金融机构与每家平台公司研发API接口对接，实现消费者对一家金融机构与一家平台公司之间数据转移的授权。
（二）集中管理，借助成熟技术，解决利益分配问题
       可以考虑设立一个类似百行征信的第三方平台，或者直接由百行征信承担，借助线上渠道与网络支付等我国成熟技术，在金融数据产生利润的场景下（谢文武，2021.04），实现利润的集中归集、分成与支付。
（三）集中保护，集中监管，解决数据保护问题
       可以考虑建立国家级金融信息基础设施平台，凡是以金融目的获取非金融数据请求，持牌金融机构必须对接这个平台，以此实现统一管理、集中保护。只要发现数据被金融机构滥用的现象，则由该机构实施制裁并督促整改。
（四）积极稳妥，重视标准化，解决技术完备性问题
       可以考虑初期均使用成熟技术，规避未大规模应用的新技术。例如，数据交换涉及到的API接口均比照《商业银行应用程序接口安全管理规范》（JR/T0185-2020），制定并实施一套标准的数据脱敏规则，遴选并研发优秀的数据隐私保护技术，如同态加密、多方安全计算、数字水印等，采取成熟一个推广一个的审慎方式，不断增强消费者权益保护。

几种面向金融业的大数据共享框架
        框架研究的思路立足于解决当前难题，同时面向未来保持可扩展性，借鉴网联等金融信息基础设施建设经验，采用成熟技术，以改善消费者体验和保护数据安全为目标，明确平台大数据只有在持牌金融机构需要且有消费者授权时才可以用于金融目的，初步梳理了API、数据库、工作站等三种模式来实现面向金融业的大数据共享。
（一）基于API模式的大数据共享市场
       API模式是金融机构与非金融平台直接通过API（应用程序接口）进行非金融数据交换的模式。这种模式与英国央行在2020年3月、国际清算银行在2020年12月提出的架构类似，消费者在接受金融服务时，金融机构为了提供更好的金融服务，询问消费者是否愿意提供某平台数据用于金融目的，消费者同意并授权金融机构获取其平台数据用于金融目的后，金融机构通过API链接平台公司登录验证界面，消费者通过平台公司验证后，平台公司将消费者的脱敏数据（金融标准）反馈给金融机构。

（二）基于数据库模式的大数据共享市场
       数据库模式是金融机构与非金融平台通过一个公共性质的数据库进行非金融数据交换的模式。首先，消费者对拟建的全国性大数据平台一次性授权获取全国各非金融平台相关数据，消费者在所有平台中的脱敏数据均反馈给平台存储。之后，消费者在接受金融服务时，金融机构为了提供更好的金融服务，询问消费者是否愿意提供某平台数据用于金融目的，消费者同意并授权金融机构获取其平台数据用于金融目的后，金融机构获取消费者全网的脱敏数据，然后，向拟建的全国性大数据平台支付数据服务费，该平台再将分成后的数据服务费分别支付给消费者及相关平台。

（三）基于工作站模式的大数据共享市场
       工作站模式是数据库模式的升级版，但金融机构与非金融平台不交换任何消费者数据，由金融机构提出数据建模需求，数据库平台完成建模运行并将结果反馈金融机构。主要流程与数据库模式保持一致，只是当消费者同意授权金融机构获取其平台数据用于金融目的后，金融机构不会获取消费者数据，而是将自身模型放到拟建的全国性大数据平台上运行，平台向金融机构反馈模型运行结果。见下图3。

图3 基于工作站模式的大数据共享市场

三种框架的优缺点对比分析
（一）API模式
       优点：消费者数据存储主体依然保持现状。缺点：每家金融机构都需与平台开发一一对接的API，即便制定这种API的金融标准且全行业推广，也存在几种风险：一是全行业难以执行统一管理标准，比如即便将脱敏规则做成金融标准，但实践中贯彻落实仍有可能出现偏差；二是依然可能出现一两家大平台垄断绝大多数数据流量的情况，进而形成事实上的系统重要性平台；三是消费者无论是与平台还是金融机构打交道时，都处于C to B的弱势角色，不利于消费者维权；四是消费者跳转登录平台时的设计体验，关乎整个流程的成功与否，与超级网银推广难题类似，大平台公司如果不愿意改善设计体验，将使这个模式难以推广；五是金融机构如果需要对接多家平台，消费者需要对每家平台都授权，理论上最多n*m次授权，消费者的体验不好；六是如果支持联邦学习、多方安全计算、同态加密等“可用不可见”的模式，将会对平台增加计算负担；七是消费者在得到金融服务的同时，金融机构向平台支付数据服务费，但是平台能否将数据服务费向消费者合理分成依然存疑。
（二）数据库模式
       优点：一是全行业执行统一管理标准，大幅降低金融行业与各平台去对接的数量规模，从n*m减少到n+m（n与m见图2），远比现在开通第三方支付要快捷；二是避免任何平台与金融机构形成垄断；三是集中授权管理，相当于将API模式的C to B变成了B to B，有利于增加消费者权益；四是与平台对接金融机构不同，数据库模式是统一标准，无需金融机构或各类平台多次对接，降低了金融机构和各类平台负担，推广难度小；五是消费者授权次数大大减少，体验会更好，理论上最多m次授权即可；六是方便解决数据收益分成问题，消费者在得到金融服务的同时，金融机构向全国性大数据平台支付数据服务费，该平台再二次分成给消费者与有关平台，也可以由全国人大立法，不再给消费者分成，以其他形式维护消费者合理权益。缺点：一是直接提供数据给金融机构，虽然效率高，符合现有法规，但在数据保护上，仍然扩大了消费者数据的扩散范围，数据存在二次销售的可能；二是将消费者数据集中于新的数据平台，形成新的金融信息基础设施，存在大规模泄露的风险，例如，美国信用评估巨头Equifax在2017年发生的1.43亿个人信息泄露事件。
（三）工作站模式
       优点：具备数据库模式的几乎所有优点，而且彻底堵住了消费者数据在金融领域可能被销售或非授权转移的口子。缺点：一是目前联邦学习、多方安全计算、同态加密等诸多技术依然处于发展期，还不够成熟，特别是复杂计算的效率会影响到消费者体验，甚至模型无法运行；二是工作站模式将极大地增加新平台的计算负荷。

（四）对比结论
       根据分析，数据库模式可以解决当前问题，并且风险可控，而且还具有未来可拓展性。数据库模式统筹消费者和平台共同作为大数据的供给方,统筹持牌金融机构作为大数据的需求方,以消费者授权和获益为前提，能够兼顾当下与长远，最终形成“1个买方+2个卖方+1个交易所”的大数据交易模式。在数据库模式筹建期间允许金融机构与非金融数据平台之间的API模式在管控下适度发展，待建成后统一迁移到数据库模式。当大数据共享市场稳定运行后，可以开放部分工作站服务，在未来隐私保护技术成熟后，有序过渡到工作站模式。

文章来源：《中国金融》2021年第12期杂志

量化投资在ESG领域具有独特优势

       ESG在中国的发展方兴未艾，投资领域进行了诸多积极的探索。在近日举行的第15届中国证券投基金业年会的中国ESG发展论坛上，景顺长城基金副总经理黎海威对量化投资与ESG的结合分享了自己的实践经验。黎海威表示，量化投资在ESG领域具有独特的优势，可以借助量化的方法和大数据整合能力，更好地挖掘ESG超额收益潜力，未来大有可为。

　　ESG是环境、社会和治理的缩写，是一种关注环境、社会、公司治理绩效而非仅仅财务绩效的价值理念、投资策略和评价工具。在特殊时期的影响下，ESG投资在全球出现史无前例的增长。截至2021年3月31日，UN PRI(联合国责任投资原则组织)协议签署主体已超过3800家，总资产管理规模达到121.3万亿美元。黎海威认为，ESG投资是大势所趋，资产管理机构未来的投资将越来越多地受ESG策略驱动或影响，ESG在全球投资前景十分广阔，量化投资领域也将顺应趋势与ESG进行越来越紧密地结合。

　　量化投资在ESG领域具有独特的优势，首先表现在ESG大数据的整合需要量化框架和能力。黎海威指出，ESG的数据源非常繁杂，上市公司、政府监管部门、新闻舆情、非政府组织及行业协会等等多数据来源，具有覆盖度低、碎片化、非结构化、行业特征明显等特点，需要借助量化的方法和大数据整合能力进行数据处理，为下一步的风控和投资提供坚实的基础。在黎海威的实践中，对ESG数据的处理有三个要点，首先是借助大数据技术及自然语言处理(NLP)方法生成高质量底层数据。其次，不光是处理数据，还要加入自己的理解，比如对本土的理解，包括负面清单的处理，包括行业和数据结构进行本土化的方法，即基于对行业和数据的理解构建本土化ESG评级体系。最后，有一套比较成熟的因子投资的框架和经验挖掘ESG中的超额收益。

　　黎海威表示，ESG的信息或者作为一类因子来用，比较大的好处是与传统的投资风格相关性低。这可能是因为ESG投资关注角度与传统投资有较大差异，如传统投资者关注投资后得到的现金流，而ESG关注企业的社会贡献与内部成本外部化的行为;传统投资者的视角偏短期，而ESG对企业的影响偏长期。同时，ESG关注的信息难以获取，或者为投资者所忽视。因此，ESG因子与传统常见因子相关度较低。

　　此外，据黎海威的研究，ESG因子有较强的超额收益潜力。同时，由于ESG关注企业的社会贡献和行为模式，与每年的经营业绩相比，是一个相对慢的变量，着眼于企业长期可持续发展的公司往往也是行业领先者，市值较大，因此ESG相关策略换手较低，相应的策略容量大，很适合机构和养老资金长期配置。

　　作为在在量化领域具有长期领先优势的基金管理公司，黎海威带领的景顺长城量化投资团队在ESG策略方面进行了深入的研究，对ESG因子的运用反复实验，未来将在该领域进行产品布局。据了解，景顺长城已经构建起完善的量化产品线，覆盖指数增强、主动量化、Smart Beta等多种策略、不同收益/风险特征的产品，跟踪的指数涵盖大中小市值，涌现出如景顺长城沪深300指数增强、景顺长城量化新动力等一批超额收益持续稳健的绩优量化投资产品。同时，历经多年打磨，景顺长城已拥有经验丰富、团队成员稳定、投资实力过硬的量化投资团队，团队成员平均从业年限超过8.8年，平均加入公司时间达5.3年(截至2021年6月30日)。

来源：中国经营网