◎記者 聶林浩

伴隨人工智能技術的發展，公募量化投資策略也在不斷迭代。中信保誠滬深300指數增強基金經理姜鵬告訴記者，在堅持長期投資理念的基礎上，近期中信保誠量化團隊對原有策略框架進行了改造升級，并深度融合了人工智能技術，既提升了獲取超額收益的能力，又優化了風控措施，致力于為投資者提供長期穩定的超額收益。

融合共性與特性

經過長期的投研積累，中信保誠量化團隊構建起“核心+衛星”的策略框架，核心策略以多因子選股為主，主要依賴中長期的基本面因子進行股票選擇及風險管理，包括控制組合跟蹤誤差等；衛星策略則包括事件驅動、行業輪動等類型，通過多樣化及相關性低的策略組合來增厚超額收益。

姜鵬表示，設計這一策略框架是考慮了市場交易行為的共性以及投資者結構的多樣性。當前投資者結構復雜，包括大量的個人投資者，以及保險資金、公募基金、北向資金等不同類型的機構投資者。而每一類機構投資者都有鮮明的投資風格，如險資偏好高分紅股票，北向資金則更青睞核心資產?！搬槍@些特點，我們希望通過衛星策略來刻畫各類投資者特別的投資風格。”

在姜鵬看來，除了特殊的投資風格，不同投資者在交易行為上具有一些共性，例如對于優質公司的認知、市場下跌時的避險心理，以及對長期動量較好股票的偏好等，都是市場參與者的共性行為，這些共性行為可通過多因子模型來刻畫。

“這種‘核心+衛星’的體系，不僅避免了單一風格暴露過大所帶來的極端回撤風險，而且還能通過多元化策略在長期投資中提升獲取超額收益的穩定性?！苯i總結道。

引入機器學習 增厚超額收益

近兩年姜鵬發現，隨著市場投資者結構的變化，策略中基本面因子的波動性有所加大?！巴顿Y者結構的改變導致基本面因子的定價權階段性下降，雖然中長期維度仍然是有效的，但短期波動的增加會對客戶持有體驗造成一定影響?！彼毖?。

為應對這一變化，自去年四季度以來，中信保誠量化團隊借助人工智能技術，逐步將機器學習引入策略體系?！拔覀儑L試將核心策略中的一小部分基本面因子替換為機器學習因子，力爭增強獲取超額收益的能力。”姜鵬說。

“機器學習技術可幫助團隊擴展數據源并應用另類數據，這是我們下一步努力的方向?！苯i解釋道，傳統的量化策略主要依賴標準化的財務數據，而機器學習技術使團隊能夠處理文本、音頻、視頻等非結構化數據，從中挖掘出額外的價值信息。例如，對于上市公司管理層在公開場合的言論、官方平臺上與投資者的互動交流等，團隊運用機器學習技術，可提取出與公司訂單及經營狀況相關的關鍵信息。同時，團隊能夠識別管理層對公司未來發展的態度和看法，從而提前預判公司的成長性。

“分析非結構化數據，為我們提供了傳統財務數據之外的增量信息，增強了對公司基本面變化的洞察力，為投資決策提供了有力支持?！彼f。

優化量化風控體系

機器學習技術在風險管理領域也扮演著重要角色。“我們在實踐中發現，機器學習的負向預測比正向預測更加有效?！苯i說，“隨著量化策略同質化的加劇，量化投資的超額收益逐漸衰減。于是我們調整了思路，將同樣的模型和因子用于預測未來短期內表現較差的股票，并將其從組合中剔除，避免單一個股波動對組合造成影響，平滑了組合凈值短期內波動。”

中信保誠量化團隊對傳統的量化風控也進行了改進。以市值因子為例，姜鵬表示，在控制市值風險時，此前的做法是約束持倉組合的平均市值與基準指數保持一致，但因為市值分布可能存在巨大差異，組合市值離散度過高易引發大小盤風格漂移，或會形成被動風險敞口。“因此，我們對市值分布也進行了約束，使組合的市值分布曲線與基準指數接近，從而盡力規避市場風格極端輪動時的市值風險，提升了組合凈值的穩定性。”

此外，鑒于基本面因子波動加大，中信保誠量化團隊將部分收益預測模型中的基本面因子轉移至風險約束模塊中，將其重新定位為風險管理工具。

海量資訊、精準解讀，盡在新浪財經APP