长江金工 景顺长城基金量化基金经理调研

00:00:00 Ready to start? Please remain on the line.本次电话会议仅服务于长江证券研究所白名单客户。未经长江证券事先书面许可，任何机构或个人不得以任何形式对外公布、复制、刊载、转载、转发、引用本次会议相关内容，否则，由此造成的一切后果及法律责任由该机构或个人承担，长江证券保留追究其法律责任的权利。 00:00:32 各位尊敬的投资者，大家下午好，欢迎大家来参加我们长江精工的系列量化基金经理调研嗯调研活动。我们今天嗯非常荣幸地嗯邀请到的是嗯，景顺长城嗯基金的量化投资部的这个总经理。嗯。我们今天其实是非常非常非常的荣幸邀请到这个海威总，海威总呢是我们量化界的一位这个重磅人物。然后海威总嗯，海威总呢是景顺长城副景顺长城基金的副总经理，然后量化及指数投资部的总经理。 00:01:10 那么景顺长城的量化及指数投资部呢，是全球是这个呃国内公募最早来去系统化布局量化，呃产品的一个成熟团队之一。那么从2012年开始呢，这个由这个全球量化资深的这个专家啊，李凯威呢就牵头啊这个回国开始搭建，然后在2013年呢发行了公司的首支量化公募产品。那么目前呢，这个产品线已经非常的完备了，并且拥有超10年的完整的可追溯的业绩。那么依托这个中美的合资的股东的优质，然后呢常态化的去联动啊，整个这个景顺集团的一个全球的量化投源体系，然后同步呢吸收海外的成熟的量化框架，并深度的适配A股的一个本地的市场化特征。 00:01:59 那么我们也可以看到，像2026年的吉顺长城的量化产品呢，全线的业绩呢也是表现非常亮眼的，像植物增强系列呢，其实非常稳定地创造了超额收益。像这个中证五百创创业板增强的产品的话，年内呢都是大于大幅的跑赢的基准，并且呢跟踪又跟踪误差这块呢也控制得非常的优异， 00:02:21 同时的话呢，像主动的量化产品，比如说像这个量化成长。嗯，演化年内的这个超收年内的收益呢也超过了20%以上，那么同步的这个领先于同类产品的一个均值收益，那么整并且呢整个均衡的持仓，那么回撤也控制得非常好。 00:02:40 那么话不多说，我们现在就呃这个有请海威总来跟我们的详细的分享一下，他们团队这几年的一个呃这这几年跟这个关注的重点，以及它整体的这个呃像模型这一块迭代的方向，他们做了哪些努力，哎，有请海威总。 00:02:58 嗯，好的，大家，呃下午好。那很感谢长江证券的精工团队以及这个呃今天大家的时间啊。当然今天这个市场波动特别大，这一周啊，所以呢可能呃在这个特别的时刻吧， 00:03:16 那我可能聊一聊，呃整体的我们在投研方向上在过去3~5年的一个呃努力吧啊。然后呢，当然今年目前业绩还是不错的，整整整个业务条线呢啊，最后都有3~5个点的这样一个阿尔法。不管是大盘中盘小盘啊，还是一些相对于885001啊，或者是9350950这样一个啊主动估计这一块呢，其实做的都还可以啊可以呢，那当然啊，我们也知道啊。这个投研这件事情呢是厚积薄发的啊，那呃最近几年当然随着市场行情的逐渐的呃这个行也美好的起来啊，加上我们的一些努力啊，我觉得可能有小有收获吧。 00:04:03 那那我就先分享一下我们最近3~5年到底做了哪些事情啊，有哪些事情呃有一定的阶段性成果，有哪些可能还在努力的过程中。 00:04:13 啊，呃，大家都知道我是12年，哎，等一下，我看这个怎么翻译啊。啊这样OK，就是我是一二年回到国内的那呃搭建这个团队，目前我们团队有13位同事啊那呃在这个过程中呢，当然可能哎很多市场对我们呃这个团队的一个情况也是比较了解的啊。 00:04:42 那大家可能都认为我们是很啊经典或者是很传统的这种量化。多因子线行框架啊这样一个定位，但我觉得说呃当然我们其实在3~5年的过程中呢，做了很多持续的努力啊。那可能现在也不仅仅是这种传统的量化显性，多因子基本面为主的这样一个框架，实际上我们在 很多方向上啊，后面我们会聊到包括机器学习包括风格轮动啊，以及在这基础上的一些。呃组合的构建啊做了很多新的尝试啊，也是希望能够更好地应对市场从20年以来的一些变化啊， 00:05:24 以及呃特别国内的固收家啊，觉得收益型的风格最近3~5年的兴起啊啊啊，那也是同时量化私募这边啊在。啊高频机器学习方面啊做了很多的努力，那我们也看到实际上市场的风格啊有很大的一些变化，那我们可能随之呢也想啊做得更好的一个适配啊那呃。 00:05:50 谈到这里呢，实际上我们在人员配置、数据硬件软件啊团队的管理以及研究方向上都做出了很多的努力啊。实际上当然嗯传统上来讲呢，呃就是大家可能会觉得从海外回来的，特别是像我们从海外的这种大的平台回来的，呃走法可能比较平稳。那为什么比较平稳呢？那可能呃主要原因我们呃包括一些从B加回来的同事啊， 00:06:21 大部分人早期我们的资金都是养老金为主的啊，当年巴克莱的这个90%的客户都是养老金，那养老金呢，它其实是可以做到穿越周期3~5年甚至更长的一个配置的。那它做配置的过程中呢，实际上呃贝塔的这一个方向上来讲呢，实际上他自己去有它的资产配置框架去承担的，我们可能专心把阿尔法做出来就OK了，那而且它的可能滚动绩效品。评估相对做得比较长啊，那短期的一些波动呢，大家可以共同承担。啊，但是中国市场呢，我们有自己的一个特殊的情况，就是我们这边呢，其实配置使用资金还是长线的资金还是非常少的。 00:07:05 啊，大家从这一周的波动也看得出来啊，其实绝大部分情况下都是还是偏短期考核的绝对受益型的资金啊，甚至一个季度要求一定回报的那这样的话呢，其实呃市场的波动会比较大。 00:07:21 市场波动会比较大的情况下呢，就是如果你呃特别是20年以来啊，这个波动可能呃特别是跟宏观的景气度的变化，中国经济的转型，包括中美的贸易战以及疫情啊，这个其实都有一些影响啊。那这样的话呢，其实就会包括一些绝对收益性资金的，它的考核和定期实 现绝对收益的这种。啊目标啊会导致市场。 00:07:47 风格的轮动以及波动都在都是挺快的啊那这个情况下来讲呢，如果你用比较经典的这种偏基本面的线性框架来做呢啊，那其实长期的效果还OK，但是你短期的波动其实是不能完全控制得很好啊。特别你可能有很明显的一些大小年啊那这个呢，可能就我们也看到了这个在20年以后。啊采取机器学习偏量量价的一些方法做的的绩效会比基本原会好一些，那我觉得可能这跟市场的啊，这个整体的预期不是很稳定也有一定的关系啊那嗯。 00:08:29 在这个大的背景下面来讲呢，我们陆陆续续做了一些新的尝试啊，我可以给大家分享一下，当然呃，有些也还在进程中啊，也不能说完全是做得很完美。 00:08:41 啊？我们目前相对于传统的框架其实做过两次比较大的迭代啊， 00:08:49 实际上我们开始拥抱机器学习大概是从。五年前大概是22年左右开始尝试有各种方法去做机器学习啊，真正啊大规模上线应该是23年的二季度左右，所以到现在可能三年多一点。嗯，那大家也看得到， 00:09:09 其实我们的从啊。年报半年报的持仓的数目从那个点开始呢就是啊，成几倍的开始增加了啊，因为在那之前我们其实整个的持仓大概是不管300指增还是500指，大概100~200只。那现在可能大家看到的可能都是在比如说500只600只啊，那这个呢，跟我们在那个时间点做了一次很重要的迭代啊，从一个传统的多因子框架逐渐地变成一个多策略框架啊，是有很大的关系的。 00:09:40 啊，那这过程中呢，当然我们所谓的多策略，其实第一次大的迭代其实主要是拥抱了机器学习啊。那机器学习里面啊，也有数模型，当然也有神经网络啊，那可能有些偏人工的这种啊，多因子的这种底层的因子在在这个是基础上进行了一些集成啊，也有啊，通过加量方式啊呃进行的一些。啊这个啊，从数据啊，可能甚至偏端到端的一些尝试啊，我们都做过那啊。这是第一次比较大的迭代， 00:10:19第第二次呢，可能呃我们呃看到了A股的这个风格跟行业轮动的啊这个情况呢，呃如果想把呃公募基金啊这一块， 00:10:33 如果我们是做多头策略，想把多头策略的下步进一步提升的话，不是说仅仅相对于。啊宽基或者某个指数做增强的话啊，那我们考虑的思路就是啊， 00:10:47 不仅仅要把阿尔法做出来，那但是呢，我们也知道这个。阿尔法的问题在于什么呢？就是它是相对于某个固定基准在做的啊。那呃，比较呃有挑战的是中国。A股的这个。啊，这个下普偏低，那这样的话呢，即使你有还可以或者不错的阿尔法，你整个产品的下浮呢，其实是不会特别高。好的，我们看得到我们的指增长期看做得还可以的话呢，那下普也就0.5~0.6啊。但是如果你要散户或者是很多客户的持有体验会比较好的话呢，你的下普最好能够做到比如说0.8或者至到1啊，那这样的话是比较理想。 00:11:36 如果想要这样做的话呢，实际上你就不仅仅要在阿尔法这一块动脑筋，甚至可能要在贝塔这一段动脑筋，就是所谓的各种斯马贝塔的轮动。 00:11:46 那这个呢，我们有这样一个出发点呢，我们呃在23年的年底吧，基本上逐渐地就上线了这个。风格轮动模型啊那。这是两次比较大的迭代，这个迭代完了以后呢，我们随之在这个过程中对组合的构建方式也做了很大的一个改变啊。 00:12:08 这张图大家看得到，其实传统的来讲呢，我们可能量化的比较经典的做法就是左边这个啊，就是不当然不管你的输入端是线性还是非线性的模型，实际上你就是通过一个优化器产生一个组合。啊？ 00:12:26 在这个过程中呢，我们看到了由于我们的模型的迭代，我的预测的周期从一个单一周期到了一个多周期啊，那可能会从几天跨越到几个月啊。 00:12:38 这个时候呢，实际上啊，作为组合构建这边啊。要做得更加灵活一些，因为你如果强行把它塞到一个呃目标组合里面去呢，你的换手率之间可能会有比较大的牵扯，因为有些组合可能他周度换手就可以了，有些可能需要每天的换手，换手率也不太一样啊，那呃比较。至少相对来说比较优的方法呢，可能就是构建多个组合，然后通过某些大差交易，然后每个组合看这个目不同的目标的risk budget啊就是你的风险预算，然后再把它拟合起来产生最后的组合啊。这个呢，至少对我们来讲呢啊是更优的选择。 00:13:24 当然从理论上来讲它可能不是个。最优的选择啊，最优的选择可能是说我把各个模型的呃这个衰减啊都搞得非常清楚，然后把它通过优化器通过这种呃多周期优化，然后把它这个产生最后的最终一个组合啊，这个理论上认知这个应该是。更优的啊， 00:13:46 当然对我们的这个阶段来说，因为我们还在持续的不断的这个呃优化我们的模型，然后我们的换手率可能在不断的延展啊，那这个过程中呢，我们可能找一个次优的主。 00:14:02 适合我们现在的这个情况啊，假如说如果你的各类型模型更更完备以后，你有个更好的方法把它把换手率更好的一个处理在多个子模型之间，那我觉得你也可以通过多周期化的方法产生一个最后的目标组合啊，这这这也是有可能的。 00:14:19 啊，那在这过程中，其实大家就会说，那你怎么在线性模型和非线性模型之间。考虑这个问题就是现有游戏是不是完全过时了，或者变得一无是处了啊？ 00:14:36 其实我们的认知并不是这样的啊，因为特别今年的行情大家也看到这个情况，某些年头的行情就是说啊，当然先进模型的好处大家很明白，它比较啊透明比较直截了当啊。然后我归因是比较清楚的，不好的就是因为它比较透明，它也比较容易变成斯smart贝塔，变成ETF发出来啊，变成这种。单因子的东西啊拆了出来，那这个情况下会导致说它是不是会变pricing的比较快啊？ 00:15:06 呃呃，非行性模型大家可能也都非常熟悉，在这个过程中你有一些交互项啊，是有更稳定的获取阿尔法的可能的。然后这个过程中呢，你可能会在高维度那边有更多的轮动的选择啊，你的组合构建更容易呃呃贴近于呃某些阿尔法更加丰富的或者说。 00:15:31 阿尔法内涵比较呃rich的这一块啊，就是呃这个呃这样