公募指增及量化基金经理精选系列四：多策略多维视角，守常创新稳健前行

近年来，量化行业在市值下沉、市场投资机会不断扩散、轮动切换持续加速中迎来了显著的发展。其中，公募量化基金正通过对人工智能新技术的积极应用、投研团队和硬件配备实力的提升以及在原本擅长的基本面领域的持续坚守下加速前进。在这一过程中，公募量化基金在取得超越主动权益基金收益表现的同时，与私募量化基金超额收益的差距也在不断收窄。 2024年年初，在小微盘踩踏、流动性危机等多重因素影响下，私募量化基金各类策略均遭遇了前所未有的挑战，相比之下，由于公募量化基金的策略框架在风险敞口的暴露上约束更加严格，对于基本面领域的分析研究始终贯穿，加之近两年来在AI等前沿技术以及另类数据领域的积极布局，很好的增加了整体量化体系在数据和策略方面的多样性，进而展现出了很好的市场适应性和稳定性。今年以来，公募量化基金以较小的跌幅，显著超越了私募量化基金同类策略平均，并在超额波动及回撤控制方面展现出了更加明显的优势。 展望未来，在政策降佣对公募量化基金的利好作用以及合理有序管控超高频交易对私募量化基金的影响下，公、私募量化基金超额收益差距仍有进一步收窄的可能。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，进一步聚焦招商基金邓童、海富通基金林立禾、南方基金解锐、景顺长城基金徐喻军、安信基金朱舟扬等5名投资框架体系各有特色、超额稳定性相对较强的基金经理（按照拼音首字 母顺序）。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。 邓童：采用“核心卫星”策略体系，核心策略为传统多因子模型，在因子的使用上强调均衡性，避免对某类因子的过度依赖，并使用多种线性模型进行打分来避免单一加权方式对结果的影响。叠加深度学习、超预期策略、风格判断模型等卫星策略，以期在传统框架之外寻求差异化超额。 林立禾：采用“核心卫星”策略体系，核心策略为深度学习模型，并开始尝试将ChatGPT中的核心算法Transformer等运用至策略中。叠加事件驱动、行业轮动等卫星策略，在增加超额来源多样性的同时，通过基本面策略修正AI模型打分，有效处理AI模型对沪深300指数域有效性偏低的问题，从而提升策略的超额稳定性。 解锐：采用多策略框架体系，主张通过低相关性的策略构建组合，实现稳健超额。子策略层面丰富多样，包括适用于全市场的传统多因子模型、风格属性策略、价量类策略、分析师策略、深度学习模型等等。子策略之间尽量等权，因子筛选主张避免过度集中，子策略内部因子的加权方式也多种多样，分散和均衡的理念始终贯穿。 徐喻军：采用以基本面策略为主、量价类策略并行的多策略量化体系。通过叠加与基本面策略相关性比较低的另类数据策略、量价类交易模型策略的方式，有效降低超额波动性。主张严控风格因子暴露，追求在市场风格出现较大拐点或切换时，能够将回撤控制在较小范围内。在非线性模型的开发和使用上，秉承开放的原则，模型种类多样。 朱舟扬：采用多策略体系管理量化产品，子策略储备丰富，通过优化的方式对众多子策略进行配置，最后分仓进行各个策略的落地。为了克服子策略预期超额准确性的难点，基金经理开发了多指标预测体系，通过趋势动量、宏观环境、事件驱动、特异指标四大类指标，实现对不同市场环境下各个子策略超额的合理预期。 风险提示 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。 内容目录 邓童（招商中证500指数增强国证2000指数增强）4 林立禾（海富通沪深300指数增强）6 解锐（南方沪深300增强）8 徐喻军（景顺长城中证500指数增强）11 朱舟扬（安信中证500指数增强）13 风险提示16 图表目录 图表1：近年来公私募指数增强策略风险收益对比3 图表2：2024年春节前后公私募指增超额表现对比3 图表3：基金经理量化投资特点（按照拼音首字母顺序）3 图表4：基金经理在管量化产品（截至20231231）4 图表5：代表产品管理期累计收益（截至2024331）4 图表6：代表产品阶段风险收益指标（截至2024331）4 图表7：代表产品管理期行业偏离度（）5 图表8：代表产品管理期成分股偏离度（）5 图表9：代表产品管理期换手率（倍）5 图表10：代表产品相对因子暴露6 图表11：代表产品相对因子收益6 图表12：基金经理在管量化产品（截至20231231）6 图表13：代表产品累计收益（截至2024331）6 图表14：代表产品阶段风险收益指标（截至2024331）7 图表15：代表产品行业偏离度（）7 图表16：代表产品成分股偏离度（）7 图表17：代表产品换手率（倍）8 图表18：代表产品相对因子暴露8 图表19：代表产品相对因子收益8 图表20：基金经理在管量化产品（截至20231231）9 图表21：代表产品管理期累计收益（截至2024331）9 图表22：代表产品阶段风险收益指标（截至2024331）9 图表23：代表产品管理期行业偏离度（）10 图表24：代表产品管理期成分股偏离度（）10 图表25：代表产品管理期换手率（倍）10 图表26：代表产品相对因子暴露11 图表27：代表产品相对因子收益11 图表28：基金经理在管量化产品（截至20231231）11 图表29：代表产品累计收益（截至2024331）11 图表30：代表产品阶段风险收益指标（截至2024331）12 图表31：代表产品管理期行业偏离度（）12 图表32：代表产品管理期成分股偏离度（）12 图表33：代表产品管理期换手率（倍）13 图表34：代表产品相对因子暴露13 图表35：代表产品相对因子收益13 图表36：基金经理在管量化产品（截至20231231）14 图表37：代表产品今年以来累计收益（截至2024331）14 图表38：代表产品阶段风险收益指标（截至2024331）14 图表39：代表产品管理期行业偏离度（）15 图表40：代表产品管理期成分股偏离度（）15 图表41：代表产品管理期换手率（倍）15 图表42：代表产品相对因子暴露16 图表43：代表产品相对因子收益16 近年来，量化行业在市值下沉、市场投资机会不断扩散、轮动切换持续加速中迎来了显著的发展。其中，公募量化基金，正通过对人工智能新技术的积极应用、团队实力的提升、硬件配备的升级以及在原本就擅长的基本面领域的持续坚守下加速前行。在这一过程中，公募量化基金在取得超越主动权益基金收益表现的同时，与私募量化基金超额收益的差距也在不断收窄，而且，在超额波动和超额回撤控制方面更加优秀。 尤其是2024年年初，在小微盘踩踏、流动性危机等多重因素影响下，私募量化基金各类策略均遭遇了前所未有的挑战，指增策略周度超额进入连续回撤区间，多数管理人创下成立以来最大超额回撤记录。相比之下，由于公募量化基金策略框架在风险敞口的暴露上约束更加严格，对于基本面领域的分析研究始终贯穿，加之近两年来在AI等前沿技术以及另类数据领域的积极布局，很好的增加了整体量化体系在数据和策略方面的多样性，进而展现出了很好的市场适应性和稳定性。今年以来，公募量化基金以较小的跌幅，显著超越了私募量化基金同类策略平均，并在超额波动及回撤控制方面展现出了更加明显的优势。 2024年以来 沪深300 中证500 中证1000 公募量化 私募量化 公募量化 私募量化 公募量化 私募量化 平均超额收益率 026 010 164 120 151 044 平均超额波动 428 809 614 2267 625 2059 平均超额最大回撤 226 378 317 1080 328 900 2023年 沪深300 中证500 中证1000 公募量化 私募量化 公募量化 私募量化 公募量化 私募量化 平均超额收益率 155 792 230 1255 538 1607 平均超额波动 328 423 360 500 399 517 平均超额最大回撤 322 256 336 252 251 253 2022年 沪深300 中证500 中证1000 公募量化 私募量化 公募量化 私募量化 公募量化 私募量化 平均超额收益率 249 1027 304 1130 844 1700 平均超额波动 390 587 463 674 465 657 平均超额最大回撤 365 326 475 417 255 365 图表1：近年来公私募指数增强策略风险收益对比图表2：2024年春节前后公私募指增超额表现对比 来源：Wind，国金证券研究所来源：Wind，国金证券研究所 展望未来，伴随着公募量化基金自身量化投研实力的持续提升，同时在政策降佣对公募量化基金的利好作用以及合理有序管控超高频交易对私募量化基金的影响下，公、私募量化基金在超额收益方面的差距仍有进一步收窄的可能。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，进一步聚焦招商基金邓童、海富通基金林立禾、南方基金解锐、景顺长城基金徐喻军、安信基金朱舟扬等5名投资框架 体系各有特色、超额稳定性相对较强的基金经理（按照拼音首字母顺序，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。 图表3：基金经理量化投资特点（按照拼音首字母顺序） 姓名 基金公司 量化体系特点 核心Alpha模型 多因子选股模型体系 其他选股模型体系 风险模型及组合优化 量化团队 大类因子种类 因子挖掘方式及特征 邓童 招商基金 纯量化，核心卫星 多因子模型 基本面因子（估值、盈利、成长）、技术类因子（低波、微观结构） 、预期类因子、机器学习因子。因子库数量大几百个。 因子以人工挖掘为主，机器学习策略使用的因子为机器挖掘。 研究员精选（超预期）策略、深度学习策略、风格判断模型、NLP策略等等 Barra体系。市值、行业和动量等因子的控制较为严格，一般在01倍标准差，波动率 、估值、盈利等风格因子控制相对宽松。对每个子策略单独优化。 与指数团队拆分后总共8人，4位基金经理，王平、邓童、蔡振、王岩，4位研究员。团队稳定，大部分基金经理在公司已有10年以上 林立禾 海富通基金 纯量化，AI，核心卫星 深度学习模型，以树模型和神经网络为主，比如Transformer等已应用于实盘。 核心因子库包含1000多个因子，大类因子包括：公司基本面、分析师预期、股东结构、公告新闻、传统交易逻辑（趋势反转、流动、波动）、level2、深度学习因子等。 人工挖掘和机器挖掘均采用，包括内部因子和外部因子。 卫星策略包括基本面事件驱动、行业轮动策略等，通过在优化器中添加基本面、行业轮动等策略修正AI模型的打分，有效处理AI模型对沪深300指数域有效性偏低的问题。 Barra体系。主要做成分股内增强，严格控制跟踪误差严控行业、风格暴露。 目前共9名成员，领导为杜晓海，共有6名基金经理和3名研究人员，2023年引进深度学习背景人员，整体致力于探索AI等前沿手段。 解锐 南方基金 纯量化，多策略框架 通过低相关性的子策略构建多策略组合，子策略包括传统多因子模型 、成长价值均衡等风格属性策略 、价量类（传统价量、深度学习）策略、分析师策略等等。各子策略权重均衡分配。 因子库500多个因子，包括成长、技术、北向、动量等大类。 人工挖掘和机器挖掘均采用 。因子筛选主张在各大类中分别优选，以避免过度集中 。因子加权方式，包括等权 、ICIR加权、在等权的基础上叠加上其它因子权重的调 整方式等等。 Barra体系。行业偏离不超过2、风格因子暴露控制在02倍标准差以内。 不同策略的优化条件略有不同，一半以上的子策略均为传统多因子框架，遵循严格风险暴露限制；部分量价类策略、风格鲜明的分析师策略等在风险敞口的约束上会相对放松。 徐喻军 景顺长城基金