随着A股市场的不断成熟和国际化进程的加快，量化基金的新帷幕正在逐渐拉开。相比于其他公募基金，量化投资具备对市场敏感性强、策略变换灵活、交易理性等优势，而且量化主动基金更适配近年来快速轮动的市场。从类别来看，公募量化基金策略线主要由被动指数、指数增强、主动量化与量化对冲型基金构成。随着量化产品线不断丰富，不仅一部分主动量化型产品表现优异，通过量化手段实现指数增强的基金表现也是大放异彩。接下来本期报告将为您详细介绍公募量化基金发展历程及具体策略。
(资料图片仅供参考)
2010 年前，公募量化基金还处在启蒙阶段，策略类型较少。2002 年 11 月，华安上证 180 指数增强型基金成立，成为国内第一只指数增强型量化基金。
2010 年后，量化选股以及对冲策略开始在国内发展。随着沪深 300 股指期货（IF）推出，量化策略工具逐渐丰富。
2012 年到 2014 年，Alpha 策略采取一揽子小票用沪深300指数做对冲的做法，量化基金中采用小市值因子策略发展良好。
2014年以后，公募量化迎来“巴克莱三剑客时代”，随着小市值因子策略的失效， 作为“巴克莱三剑客之一”的田汉卿主打“基本面”量化投资，选择保持市值中性。在多因子投资上，兼顾价值与成长因子。管理的华泰柏瑞量化增强2014年上涨70.42%。至于“巴克莱三剑客”中的李笑薇和黎海威，他们的风格跟田汉卿相对类似，他们的业绩和规模也大抵经历了类似的过程。
2019年以后，公募基金新秀异军突起。2019年-2020年，新一代量化团队如中欧曲径、西部利得盛丰衍及万家乔亮管理的量化产品业绩表现亮眼，量化产品策略线不断丰富。
2022年，微盘股投资重新兴起，金元顺安基金缪玮彬与国金基金马芳依靠微盘股投资迅速崛起。
其中公募量化基金各类型按照被动管理与主动管理可分为被动指数型基金、指数增强型基金、主动量化型基金与量化对冲基金。其中：
被动指数型基金是以追踪某一指数为投资目标的基金，采取完全复制方法进行指数管理和运作，通常具有指数相同的风险收益特征；
指增增强型基金：以特定的指数为跟踪对象，主要通过数量化模型进行积极的指数组合管理与风险控制，追求超越指数的投资收益的一类基金；
主动量化型基金：通过数量化模型进行选股和投资组合管理的主动型基金，与指增基金相比没有较为严格的跟踪误差约束，在选股范围、行业与风格的偏离度上面约束较小；
量化对冲基金：在因子选股的基础上添加了对冲衍生品的仓位，使组合收益与被投资产的大类表现关联减弱，最终获取相应的β+α收益。
其中公募指增基金与主动量化型基金作为公募量化基金的重要组成部分，逐渐得到投资者更多的关注。
截至2023年6月26日，市场上共有242只指数增强型基金，总规模为1962.76亿元。这些产品的跟踪标的可分为宽基指数（沪深300指数、中证500指数、中证1000指数等）、行业指数（消费、医药、高端制造等）、主题指数（红利、高股息、Smartβ指数）。从结构上来看指增类别呈现“集中”的特征。
数据来源：Wind，Choice，雪球投资研究部整理，数据截至2023年6月26日
跟踪指数数量和规模集中在宽基指数类别。统计跟踪单一指数类别来看，以沪深300、中证500为主，数量分别是58只和61只，规模分别是614.16亿元和511.61亿元。就指增基金整体历史超额收益表现来看，整体历史超额收益突出且稳定性较强。
数据来源：Wind，Choice，雪球投资研究部整理，数据截至2022年12月31日
公募指数增强型基金是被动投资和主动投资的结合，投资收益主要由跟踪标的指数的Beta收益与主动管理的Alpha收益两部分组成。当前公募指数增强基金的主动管理的Alpha收益主要来源于四方面：宏观层面资产配置（仓位择时等）；中观层面的行业偏离、轮动等；微观层面的个股选择、打新等；其它层面的收益增强等。
数据来源：雪球投资研究部整理
其中通过Brinson模型可以将指增基金所持有的股票组合与基准指数股票的超额收益分为仓位择时、行业配置收益、个股选择收益、打新收益与交互收益。其中交互收益可以根据基金经理实际的投资思路合并到个股选择收益中，体现基金经理的交易能力等方面。以万家中证1000指增基金收益来源拆解来看，其中通过拆解基金收益表现来看，万家中证1000指增的行业配置收益贡献体现万家中证1000指增基金在行业偏离度方向上的程度相对较低。关于基金仓位择时收益体现在权益市场表现不佳时，通过适度降低权益仓位水平，从而降低权益市场普跌的影响。具体体现在2022年万家中证1000指增基金仓位择时贡献了正收益水平。就打新收益来看，打新收益每半年度贡献约为0.5-1%。整体来看，万家中证1000指增基金的总超额收益主要由选股收益贡献，体现基金经理较强的选股能力。
数据来源：Wind，Choice，雪球投资研究部整理，数据截至2022年12月31日
统计中证500指数增强基金与中证1000指增型基金对应跟踪指数月度涨跌幅在小于-6%，-6% ~ -1%，-1% ~ 1%，1% ~ 6%与大于6%范围内的超额收益表现发现，两只指增基金在跟踪指数大跌时，超额收益较为明显，华夏中证500指数增强在指数月度跌幅超过-6%时，平均超额收益率为9.32%，万家中证1000指数增强在指数在月度跌幅超过-6%时，平均超额收益率为11.49%；而在指数大涨时，相对于跟踪指数的超额收益并不明显。
原因在于：指数增强型基金相对于指数的成分股及权重有所差异，当指数大涨时，较高权重的成分股收益贡献较高，成分股及权重区别于指数的指增基金较难取得指数的超额收益；指增基金由于基金合同的限制，权益仓位水平相对于其跟踪指数有一定的差额，当指数表现较好时，指增基金由于权益仓位水平较低，容易错过市场普涨时的超额收益。
数据来源：Wind，Choice，雪球投资研究部整理；数据截至2023年6月26日
数据来源：Wind，Choice，雪球投资研究部整理；数据截至2023年6月26日
相对于主动权益型基金来说，量化指增基金的投资方法同样有它的特色与优势；以跟踪沪深300指数增强型基金为例，统计沪深300指增基金连续2、5年跑赢沪深300指数的比例与主动权益型基金连续2、5年跑赢中证偏股型基金指数的比例比较发现，无论中长期2年维度还是5年长期维度来看，指增基金连续跑赢指数的持续盈利能力均远高于股票型基金。
数据来源：Wind，Choice，雪球投资研究部整理，数据截至2022年12月31日
数据来源：Wind，Choice，雪球投资研究部整理，数据截至2022年12月31日
公募主动管理偏股型基金和公募量化主动型基金的分年表现差异的周期性较为明显，存在均值回复的特性。以中证偏股型基金指数在各年度的涨跌幅代表主动权益型基金平均收益水平，统计自2012年以来量化主动型基金与主动权益型基金的收益均值情况，2014、2015、2016年间量化主动型基金大幅跑赢主动权益型基金，呈现较强的优势，而在2019、2020年间相对主动权益型基金并没有特别明显的优势。
2012年以来量化主动型基金大多都落在沪深300指数增强与中证 500公募基金的中位数之间。量化主动型基金相对于指数增强型基金在选股范围、行业、风格偏离度上面约束相对较少，但通常做的是类似指数增强的策略。量化主动型基金整体收益相对于300与500指增中位数并没有特别明显优势。
数据来源：Wind，Choice，雪球投资研究部整理，数据截至2022年12月31日
统计2014年以来主动量化基金的权益仓位水平，2019年之后量化主动基金仓位均值维持在85%附近，整体保持高仓位运作水平。从置信下限来看，2019年之前量化主动基金的权益仓位分化相对较大，2019年仓位差异有所收敛，保持在较为稳定的水平。
数据来源：Wind，Choice，雪球投资研究部整理，数据截至2022年12月31日。置信区间上下限为均值加减1倍标准差。
量化主动基金持仓分散，2019年以来持股集中度范围在30%附近。统计2014年以来主动量化基金的前十重仓股占基金净值比，量化主动基金持仓分散的同时，不同主动量化基金存在一定的分化。
数据来源：Wind，Choice，雪球投资研究部整理，数据截至2022年12月31日。置信区间上下限为均值加减1倍标准差。
量化主动基金不同指数成分股持仓比例的变化体现量化主动型基金能够及时把握市场风格。区别于公募指增基金，公募量化主动基金的选股样本约束相对宽松。为刻画量化主动基金的持股特征，统计自2014年下半年以来，截至每年末合计规模在2亿以上量化主动基金持有沪深300、中证500、中证1000样本成分股数量占比发现：中证1000成分股比例最高出现在2015年半年报（占比为33%），相对应2015年前后的中小市值行情。2017年-2021年机构化时代加速，开启了大盘蓝筹股行情，随着沪深港通的陆续开通，外资成为机构资金的重要增量，外资偏好配置消费和金融板块中高ROE、盈利属性能力强的白马股。此外2019-2020年居民资金更多的通过公募资金流入市场，内外资双重抱团下，大盘风格持续占优。沪深300成分股比例也持续走高。2021年春节后，小市值股票迎来业绩和估值的双修复，中证1000指数成分股占比提升，量化基金能够较为及时的把握市场趋势。
数据来源：Wind，Choice，雪球投资研究部整理；数据截至2022年12月31日
从类别来看，主动量化策略主要有主动管理+量化模型、AI量化模型以及多因子量化模型三种类型。
主动管理+量化模型策略在于将基金经理和投研团队通过对宏观环境、行业、与公司的长期研究的经验结合量化模型，系统化的对大量股票进行投资决策。以大成景恒的基金经理苏秉毅为例，投资方向判断表现比较典型的主观特征，比如在2022年主观判断投资方向是受宏观环境影响较小且受政策扶持的板块以及国企股的投资机会；量化投资方面深入到量化因子与算法分析，针对基准指数，构建成长、动量反转、分析师预期、估值等八大类因子，运用贝叶斯算法进行分析，挑选其中最具解释力的因子群，用于预测基准指数未来走势。
AI量化即将机器学习应用在量化投资领域，从众多“数据”中总结规律，形成模型，并用模型对新数据预测。以国金量化多因子基金经理马芳为例，通过机器学习技术“自上而下”构建选股模型，其中选股模型不仅从盈利和营业收入等基本面去评估上市公司的价值与成长性，同时充分考虑市场情绪等因素为标的进行合理定价。
多因子模型可以将资产收益与多种因素联系起来，包括不限于公司规模、价值、盈利能力等基本面信息，技术型市场交易特征，新闻报道的文字型信息等，将这些影响因素量化独立的因子，形成量化因子库。以招商量化精选基金经理王平为例，投资策略以基本面为主，以技术面为辅的因子进行股票配置，以PB-ROE模型为框架，用一部分技术面因子辅助。
量化基金借助计算机技术和数学模型，同时跟踪并处理海量的金融数据，在细微的数据变化中捕捉获利机会，并利用计算机系统快速、自动执行交易。通常非量化主动管理型基金经理由于能力圈及研究精力的限制，部分只擅长某几个板块或者某种风格的股票。当市场风格切换时，部分基金产品易产生较大回撤。而量化模型在很大程度上突破了非量化基金经理的局限性，它可以瞬间覆盖全市场所有的股票，通过量化模型发掘未被基金经理研究覆盖的被错误定价的个股机会，较为灵活地适应风格切换迅速的市场。
产品历任基金经理：
成立以来完整会计年度历史业绩：
风险提示：因出版物版面有限，未能列示产品所有风险，请投资者仔细阅读基金的风险揭示书。报告中所提到的基金或行业仅为业绩分析展示，不构成对于投资者的实质性建议或承诺。投资策略、市场观点、标的配置情况等具有时效性，仅代表当前观点及情况。产品收益存在波动风险，过往业绩不代表基金产品未来收益表现，基金管理人管理的其他基金的业绩不构成业绩保证。投资者购买基金时，请仔细阅读基金的《基金合同》和《招募说明书》等法律文件，理性投资。基金有风险，投资需谨慎。
本文版权归雪球所有，如需引用或转载，需注明出处。任何机构、个人不得对本文进行有悖原意的删节和修改。
关键词：
质检
推荐
