于变局中开新局

◎长城基金总经理助理、量化与指数投资部总经理 雷俊

机构量化投资正处在变局之中，一方面，机构行为与市场贝塔逐步趋同，导致机构量化投资难以显示优势；另一方面，市场定价效率显著提高，传统量化投资使用较多的基本面因子收益率逐步收窄。

经过19年的发展，ETF数量及规模不断壮大，大量资金流入ETF市场。ETF的快速增长显著提升了市场有效性，使得被动指数投资在资金驱动的市场中更具优势。逐年增长的被动型复制性产品吸纳了大量市场资金，机构投资者在大盘指数中的持仓比例提升，指数结构因此变得更加机构化。这意味着，机构战胜指数的难度更大了。

在信息高效传输的当下，市场定价效率大幅提升，很多信息发布后不到10分钟，甚至在发布前10分钟就被市场完全吸收。高效的市场环境中，信息差带来的红利逐步收敛，行业加速分化。在量化投资中，随着市场的充分定价，基本面因子定价效率也不断提高，使得因子收益有所下降。这可能是投资者因子选择的趋同或紧缩的市场资金环境所致。

挑战背后，我们依然能捕捉到时代赋予的机遇，量化投资仍有利好：

首先是投资广度的回归。从A股上市公司的结构变化来看，10年前有2000多家上市公司，现在已增加到5000多家，且市值普遍偏小。实行全面注册制之后，小盘股效应更加明显。从流动性角度来看，不管是专注于小盘股、微盘股还是某一细分领域，量化投资都是适用的。

其次是市值因子的回归。得益于宏观基本面以及新兴产业发展趋势，今年以来小微盘股表现较好。目前来看，小市值风格仍将延续。存量市场中，量化投资仍然可以捕捉到不错的短期机会。

最后是AI的赋能。传统量化投资中，线性思维容易导致模型错失有效的因子收益信息，在因子的挖掘端和合成端都缺乏非线性思维。而机器学习能很好地构建非线性模型，扩展到对文本、图像等非线性数据的挖掘。在算力和数据充足的情况下，通过文本挖掘因子化和图像挖掘因子化，我们可以为量化投资带来新的赋能。同时，在深度学习的框架下，时间序列的模型变得更加丰富。因此，在AI赋能下，因子挖掘可以通过注意力机制和时间序列建模等方法来增强收益，在非线性模型中与因子合成等其他环节形成收益互补，量化模型最终形成的大量的非结构性数据，能够进一步扩充因子库。

2023年，我们在中小市值产品上全面拥抱AI，于变局中开新局。传统量化投资一般使用残差回归做风险控制和因子挖掘，而现在我们可以在网络结构的不同层中自由调整损失函数（loss function），以实现控制特定风险下的因子挖掘，力争描述端到端的因子和风险的投资机会。利用人工智能实现投资精细化，可以降低产品的相对波动，优化投资体验。

在量化投资中，深度学习等AI技术适用的市场是非常广泛的，相关的研究及应用也显著增加。对我来说，在哪个产品上运用AI赋能、如何让投资者更好地接受，才是更大的考验。（CIS)

（注：随着市场行情等因素变化，以上观点可能会更改，不另行通知。基金有风险，投资须谨慎。）