量化投资的分类、演进和发展方向

　　景顺长城基金管理有限公司量化投资部总监黎海威先生，受邀于海通证券年度投资策略会金工&产品分会场发表了题为《量化投资的分类、演进和发展方向》的主题演讲。内容详实、条理清晰，令听众获益匪浅。现将演讲内容整理如下，以飨读者。

　　高道德（主持人）：

　　我觉得今年量化的业绩不太好，主动是量化之间的风格比较单一造成的，也是因为主动量化之间产品不够丰富、规模不大引起的。我建议公募这边最好要发工具性比较强的产品，就是说看重自己的基础，公募基金产品工具化是公募基金里最重要的方向。以沪深300作为基准的很多基金的风格并不明确，而未来的趋势是公募基金的工具化非常明显。

　　今天上午还有一个比较大的基金公司领导请我帮他们内部的产品梳理一下，哪些产品关掉，哪些产品自生自灭，哪些产品重点营销。特别重要的是公募性产品虽然小但布局进去了也一定要想办法投入资源做大。所以说公募基金一定要工具化，量化产品有自己的优势——工具性本来就比较强。所以需要在产品布局上做工作。

　　下面欢迎景顺长城基金管理有限公司量化投资部总监——黎海威，演讲的主题是《量化投资的分类、演进和发展方向》。

　　黎海威：

　　很荣幸有机会在海通策略会上和各位同行做交流，这个PPT是9月份在机构策略会上聊过的，我稍微地改了一下。今年以来量化风格切换对各方面还是有挑战的，如果有一个好的产品线布局，会更加从容一些。我是2012年回国以后加入景顺长城的。在海外工作的时候，所在公司（BGI）的90%左右管理规模都是来自于养老金。养老金对于投资的期待很大程度上塑就了我们的投资风格。加入景顺长城以来，我们的量化产品整体定位在相对基准做相对收益，比如基准是沪深300、中证500、中证1000，等等。在此基础上争取做到信息比率最大化，这是基本的出发点。这也是一个慢工出细活逐渐积累的过程。我们的规模从去年到现在有了爆发式的增长，主要的原因在于过去3、4年的慢慢积累，实现了穿越整个市场大幅波动后的稳定业绩。

　　当然，积累的过程是比较漫长的，有的时候必须要忍受短期排名的波动。由于早期对工具型产品的定位比较清晰，使我们能够契合市场机构化的需求。股东方对我们短期规模要求不高也给了量化业务更加从容的发展空间。

　　今天演讲的题目是《量化投资的分类、演进及发展方向》，是基于我自己粗浅的了解。主要包括以下几个方面：起源、分类对比、演进挑战、发展方向及展望。量化的起源没有什么特别的疑义，主流的资产组合的投资理论都是从30年代到50年代开始的，总的来说是价值投资的基本理论加上组合管理的理论。其后的时间里，很多因素都加速了量化投资的发展。从技术上来讲，计算能力的提升使很多工作变得容易。在构建多因子模型时还是有一定的计算量的，如果真的都用手工去计算的话会相对麻烦一些。计算机的出现和应用让相关工作更加简便。CPU的速度提升及硬盘成本的下降，各种数据库的普及、商业化风险模型的出现（比如Barra），使得量化投资越来越具有现实可能性。

　　在2006年12月，当时所在的团队开始进行A股量化研究的准备工作。我回到国内拜访了很多券商和数据提供商。在深圳调研数据提供商时，深深感受到中国人的创造力。我们知道当时交易所还没有使用统一的格式XML来收集财务数据，还是PDF为主。当时是数据采集是手工输入的方式，一般有两个助理研究员输入，再来一个人比对，如果他们输入的数据一致就通过，不一致就需要着重检查。这种模式需要相当的人力，这就是为什么后来数据处理中心会迁到内地的大学城，人员素质较高，但成本地方相对低的地方，而商务中心仍然在一线城市。当采购完相关数据以后，2007年初，我们就有机会在全世界范围成为最早的一两家系统性地用量化的方法研究A股的机构。在其后的2,3年时间里，我们团队从各个角度尽可能仔细地研究A股的收益风险特征。在此基础上抽象出适合的多因子模型成为团队每天的主要工作。

　　和其他很多商业模式一样，量化投资的风格很大程度上还是客户驱动、需求驱动的。美国市场在401K法案通过以后市场机构化的趋势进一步加快了。其中校友基金会、养老金起到了很大的作用。这些配置型资金都要求基金投资风格比较固定比较透明，与量化的基本特征是不谋而合的。你会发现量化的整体规模在90年代以后上来很快，因为它的优势逐渐展现出来了。其实机构对底层资产的穿透也需要工具进行分析。当各种风险分析工具、分析模型更加成熟以后用起来会容易一些，这也在很大程度上促进了量化的发展。

　　对于量化投资策略的类型，从不同角度有不同的分类。我们尝试用自己的理解做一下划分。被动投资通过ETF和指数基金的方式，全复制或抽样复制来跟踪相应指数，争取提供低成本和高流动性的市场平均收益。如果你想拿到市场平均收益率没有ETF和指数基金的话工作量是非常大的，一般来说普通机构是非常难做到的。

　　如果从投资方向来讲，我们所说的主动量化的内涵是非常广泛的。当然很大程度上各类量化投资在框架上具有一致性，具体的风格取决于使用什么样的因子。比如量化基本面投资更侧重于基本面信息。如果你的持仓区间在3到6个月甚至更长，一年换手2、3倍，投资方向必然是偏基本面的。上市公司一年有4次季报，公布季报的时候市场的关注点在基本面信息，这时市场定价肯定是以基本面为主。如果投资偏短线，一两天的频繁调仓，这种和基本面关系就不大。这一块儿关注的多半是短期的定价偏差，比如统计套利。其实没有说谁一定好谁一定不好，取决于客户的偏好和资金属性。2008年以后，高频交易在美国兴起，它更关注市场的微观结构。但在中国目前的市场环境里是很难出现真正意义上的高频交易。不仅如此，在亚太市场上我们都很难开展大量的高频交易，这主要是因为印花税的存在。

　　CTA策略大家也相对熟悉，主要投资到各类商品和指数期货上。过去两年CTA在中国市场起来很快，在私募里面的运用得更多了一些。大类资产配置更多是偏长线的，通过宏观、技术、估值等各个维度对大类资产的走势进行预测，以战术资产配置（TAA）为例，投资区间一般在12个月以内。现在主流的大类资产配置和FOF投资有一块会用到量化TAA的。当然我们也可以从资产类别划分量化投资，比如专门做股票、债券、商品的投资和跨资产领域的资本结构投资，等等。

　　如果对比一下量化投资其实是很有意思的。很多人认为量化投资是黑匣子，但是我认为恰恰相反，量化基本面投资是非常透明的，只不过语言和框架和传统的主动投资不一样。特别是持仓周期稍微长一点的3个月、6个月的量化主动投资，它和传统主动投资是异曲同工的。从投资的基本法则大家都能了解，如果我有比较好的投资能力的话会希望怎样做？我自然希望能够让我的投资技能更广泛的应用，更多次数的应用。还有一个问题是投资技能怎么转化到持仓组合里，很多东西看起来不错，但不一定可以实现。相对于主动投资，除了投资想法，量化投资也需要相关数据来实现。好在现在有大数据以后，很多投资想法实践起来会相对容易一些，特别是对非结构化的数据，比如文本、语言、图像的数据识别会比以前好很多。

　　其实量化投资和传统主动投资是互补的，可以互相取长补短。传统主动投资的基本做法是基金经理结合研究员的想法进行筛选和投资。比如核心股票池200只，二级股票池400只。对这些股票进行调研，结合宏观、行业、管理层、公司基本面等信息，深入了解后集中持仓20只~30只。对量化来讲，虽然在个股层面上很难做得那么深入，但只要平均每只股票有55%~60%的把握，可以通过更广的投资来分散风险，提高整个组合的赢面。持仓100只~200只的股票组合每年换手3倍左右，相当于一年的时间里独立投资300次~600次，这样整个基金的稳定性就会上来。量化选股模型相当于一个研究员团队。全市场30来个行业，每个行业里肯定是有非常TOP的研究员，使用模型来击败顶尖的研究员（比如前20%）是有难度的。量化投资的目标是争取在每个行业里击败后面60%的人。这样一来会有什么好处？虽然在每个行业都不是最顶尖的，但都是中上的，避免木桶的短板。如果量化模型在30个行业的执行是非常有效率的话，就能够形成一个整体的优势。

　　我们每个人因为自己的职场背景、教育背景，会在做投资决策的时候有不同的判断。比如一个TMT或者医药背景的基金经理面对保险股行情的时候，即使金融研究员看的很准,告诉你保险不错，你多半还是会犹豫。因为你以前的经验和保险是有一定距离的，但量化模型没有这样的距离。这是它的比较优势，可以把模型的观点有纪律性地执行到组合里去，通过这样的方式不断地争取领先市场形成收益。

　　我们简单比较一下各种量化策略在国内的适用性。基本面多因子量化模型在中国运用的还是很广泛的，至少有接近10年的历史。相对来说这种策略适用范围比较广，换手率是相对比较低的，投资期限可以短期可以长期。CTA在国内市场起来的也非常快，风险收益比还是相当不错的。CTA的主要好处是加杠杆是比较容易的，也许它的信息比率不一定比主动量化多因子的模型高，但收益率可以通过杠杆放大。相比较而言，大类资产配置更多是偏中长期的配置，多头为主，基本面为主，虽然国内资产类别不够丰富，但基本方法的适用性也不错。

　　有客户曾经问到过回撤是怎么事前估计的？我跟他说如果能够事前估计的话就不叫回撤了，既然有回撤肯定是超预期的。传统的均值方差优化虽然有很多不尽如人意的地方但大部分人还在用，虽然实际的分布有尖峰厚尾的问题，但好处是比较简单，比较容易做。我们自己多年的观察是虽然策略的波动性和回撤不是一一对应的，但基本上风险越大回撤越大。另一方面，如果信息比率较高，回撤会相对小一些。目前中国的情况选股策略做到年化3到4的信息比率是有可能的，最大回撤大致相当于年化主动风险或波动率的一半左右。如果信息比率在1到2的话，最大回撤大致相当于年化主动风险或波动率。

　　量化投资流程大家都比较了解了。这幅图是海外比较成熟的框架，我们公司也是按照这样运行的。量化多因子框架还是强调在收益、风险和交易成本之间取得平衡，比较而言传统主动投资更多强调收益。量化投资本身还是偏机构、偏定投客户，工具化的管理。当然模型构造的最核心部分是在收益预测这一块儿，各家做法不一样。我们要做的是找到自己的定位。每个人的成长背景不一样，有不同的比较优势，怎么样通过一个框架把自己的比较优势最大化。有些东西你可能做不好可以不做，完全可以通过模型区分出来。有些方向做得好一点可以放大一点，比如说在价值投资方向有优势，完全可以把价值敞口给放出来。长期来说，如果有一个靠谱的框架，能够不断地积累自己的比较优势，而不是关注短期的3到6个月的收益。这样更有可能做得好一些。

　　我们看到量化作为一个新兴事物在发达国家市场上过去30年经历了一轮重新出发的过程。在中国市场的轮回可能来得会更快一些。1979年量化主动投资开始起步，以多头为主。量化市场中性和量化宏观策略1990年以后逐渐出现。2000年以后量化债券投资也开始起来。2007年2008年的时候量化经历了一轮危机，规模缩水很多，经过了几年才逐渐恢复过来。最近几年，SmartBeta、人工智能、大数据慢慢地进入大家的视野。

　　介绍一下Alpha和Beta的分离。在美国市场，80年代以后机构客户的影响力开始上来，定价权也随之上来。如果你能击败基准，你的Alpha的定价可以较高。如果不能的话那就定价较低。其实在70、80年代，美国的基金业投资限制也很少，美国主动管理的基金甚至可以投20%到海外去。当时也是主要看收益，而不太注重基准。机构占比起来以后，基准的约束力越来越强。在指数基金和ETF出现的同时，与市场低相关的市场中性基金也在逐渐地兴起。在低费率的beta(比如各类基准的ETF，指数期货和SWAP)的基础上叠加(overlay)alpha成为各类机构青睐的配置方式。

　　金融危机以后全球的资产管理有一段时间是比较艰难的。低利率甚至负利率环境，alpha越来越稀缺都让这种方式受到一定的挑战。强调总收益(totalreturn)的传统方式出现了一定回流。当然，中国以后一段时间里还是在Alpha和Beta分离的阶段。

　　量化债券投资国内也有非常广阔的未来。这一块的很多机会随着中国信用风险的定价越来越合理而出现。本质上来说，债券和股票都是一个上市公司在不同市场领域里的映射。

　　多元资产投资在2008年金融危机以后越来越兴起，管理规模增长很快。这方面主要面对的挑战是在宏观层面上随着系统风险的加剧各大类资产的相关性增加，导致配置的困难。国内的债券、股票、黄金、其他大类资产之间的相关性不高，大类资产配置的空间还是很充裕的。

　　稍微聊一下Smart Beta和FactorInvesting。传统说来说beta是资本定价非常核心的基石，但大家慢慢地发现beta不能完全解释资本市场的多元化，需要其他的变量加入，这就逐渐形成了多因子的定价。而整体的定价框架从alpha和beta，逐渐演变为alpha，beta和smartbeta。其中有些Smart Beta因子在不是很久以前还是量化模型Alpha的核心因子之一。随着市场的演变，单独切割出来以更低的定价提供给机构投资者进行大类资产配置。Smart Beta和FactorInvesting在市场上的宣传是最近几年起来的，早年是没有SmartBeta讲法的。

　　Smart Beta和FactorInvesting有什么区别？这两个概念很多时候是交替使用的。FactorInvesting的概念更加宽泛一些，更多是以单一因子投资为主，当然也可以进行多因子投资，可以是多头也可以是多空对冲的。SmartBeta一般情况下是指纯多头，一种指数非市值加权的方式。

　　Smart Beta的形式主要还是大家非常熟悉的几类基本面因子，红利、价值、低波动，等等。美国市场和欧洲市场的SmartBeta的管理规模分布情况看起来差不太多。大家觉得机构进行SmartBeta的配置原因主要是不是因为便宜？其实不一定，根据相关的问卷调查，很大的因素还是风险控制。在核心持仓基础上加卫星的时候，smartbeta提供了一种简单有效的方式。

　　Smart Beta和FactorInvesting领域里的主要管理人大家都很熟悉了，基本上都是比较出名的量化管理人，比如BlackRock、AQR、Dimensional等。MSCI和ResearchAffiliates等传统的指数管理人也切入了SmartBeta的管理领域。

　　稍微聊两句量化的发展方向，人工智能大数据最近讨论得很多。我自己的观察是作为大数据来说不管对量化主动性投资还是一般的主动投资都有非常大的帮助，形式非常多元化。前不久去香港参加量化的会议上，看到有一家海外大数据运营商可以提供各种卫星图片和相关信息，比如可以跟踪到公司的仓储和运输情况。它的核心客户之一是法国国防部。这里面会有很多信息，包括现在网上各种各样的使用，只要信息合法能够合法地获取，对投资决策都是有帮助的。人工智能和机器学习更多的在高频和髙维度能发挥作用，在中低频的投资方面短期发挥的更多的是辅助作用。

　　很多人问量化会不会替代主动投资，或者之间有没有什么长期的区别呢？这中间肯定会找到竞争的均衡点。我们看到有相关研究表明在非常长的时间里两者产生的Alpha的均值在统计意义上没有区分。但各个类别里都会有有优秀的管理人，都有可能做的很好。另外对机构客户来说有个好消息，两者alpha的相关性长期看趋近于0。或者说传统主动型投资表现好的时候量化主动投资表现差，量化表现好的时候传统主动型表现差。在alpha方面，两种投资方式搭配起来可以充分地分散风险。

　　限于时间关系，聊到这里，谢谢大家！

　　(以上内容由启明星量化金融学院资讯部整理编辑，不代表本站观点。版权归原作者所有，如有侵权，请联系删除)