公募指增及量化基金经理精选系列六：智能算法协同多维数据 共促量化创新进化

　　三季度末以来，市场经历了较大波动，由于近期指数相对个股仍然较为强势，选股端获取超额收益的难度并不算低，各类指增策略超额表现自三季度开始均有不同幅度的回撤。截止2024 年11 月15 日，今年以来中证1000 指增基金平均超额收益最高（1.90%），国证2000 指增基金紧随其后（1.04%），沪深300、中证500 指增策略虽获得正超额，但并不显著。从超额稳定性角度来看，沪深300 指增基金由于整体模型市值偏离有限且以今年表现相对较好的基本面因子为主，因而三季度以来超额回撤幅度较小，超额收益曲线相对更加平稳。

    　　由于国内股票市场个人投资者占比较高，天然具备良好的alpha 环境，尤其是中小市值股票中，超额非常可观，因而，在过往的几年时间里，国内的量化机构超额水平一直维持在较高的水平。中长期来看，A 股市场势必会逐步向海外成熟市场机构化的特征靠近，在这样的趋势下，市场beta 特征会越来越强，进而挤压非理性交易带来的alpha空间，因此，在配置层面不仅需要降低对alpha 的收益预期，同时也需要配合一定的周期性择时。

    　　在此背景下，我们需要不断增加对于不同策略类型基金经理的储备，以更好的应对配置需求。本篇专题将继续延续之前《公募指增及量化基金经理精选》系列专题中对于公募量化基金经理的多角度刻画亮点，进一步聚焦诺安基金孔宪政、东方基金盛泽、鹏华基金苏俊杰、泰康基金魏军、天弘基金杨超等5 名投资框架体系各有特色的基金经理（按照姓名拼音字母顺序，下同）。我们将综合这5 名基金经理的量化体系特点、风险控制制度、投研团队现状以及产品绩效表现等多个维度进行深度研究，并结合历史持仓明细数据进行全面分析和特征刻画，以供投资者参考。

    　　孔宪政：十分注重对于风险暴露的控制，投资组合完全在沪深300 指数成分股内选股并严控行业偏离，整体采用纯粹的深度学习方法，将市场上能够找到的、对预测股价相关的信息全部交给模型，在整个神经网络架构下，根据不同的数据特点，采用不同的子模块进行处理。

    　　盛泽：已将阿尔法模型迭代至通过机器学习进行因子配权，在多个配权模型中优选样本外稳定性最强的模型进行使用。同时，在风险模型端投入了较大精力，除借鉴BARRA 归因的基本逻辑和体系自主研发的风险模型外，还有行业景气度模型、风险预警模型等多套风险相关模型，共同协助管理组合行业、风格因子的暴露情况。

    　　苏俊杰：采用传统多因子线性模型与机器学习非线性模型的结合，即多策略的融合方式。其中，线性模型占据比较重要的权重，同时机器学习、神经网络算法等模型的权重在近年来也逐步提升。整体因子储备十分丰富，策略专注选股，不做风格和行业上的过度偏离，整体换手率水平相对适中。

    　　魏军：采用核心基本面模型+量价模型综合打分，阶段性搭配低相关事件驱动策略等卫星策略的方式运作，策略框架呈现均衡化、多样化的特点。团队对于事件驱动策略有着长期且深入的研究积累，并根据市场的演进和变化不断积累事件库。产品严控行业、风格暴露，投资组合倾向于兼具基本面优势和估值优势的标的。

    　　杨超：以传统的基本面因子为主，通过将AI 技术融入基本面分析并结合中频量价类因子，打造了基本面+中频量价多因子的策略框架。因子库涵盖基本面因子、量价因子以及机器学习挖掘的各类因子，加权方式偏向因子动量加权。

    　　基金经理认为成分股外的超额收益稳定性较低，因此策略主要注重成分股内的选股。

    　　海外降息进程不及预期、国内政策及经济复苏不及预期等带来的股票市场大幅波动风险。

    　　基金相关信息及数据仅作为研究使用，不作为募集材料或者宣传材料。本文涉及所有基金历史业绩均不代表未来表现。

声明：

1. 风险提示：以上内容仅来自互联网，文中内容或观点仅作为原作者或者原网站的观点，不代表本站的任何立场，不构成与本站相关的任何投资建议。在作出任何投资决定前，投资者应根据自身情况考虑投资产品相关的风险因素，并于需要时咨询专业投资顾问意见。本站竭力但不能证实上述内容的真实性、准确性和原创性，对此本站不做任何保证和承诺。
2. 本站认真尊重知识产权及您的合法权益，如发现本站内容或相关标识侵犯了您的权益，请您与我们联系删除。