伴随人工智能技术的发展，公募量化投资策略也在不断迭代。

◎记者 聂林浩

伴随人工智能技术的发展，公募量化投资策略也在不断迭代。中信保诚沪深300指数增强基金经理姜鹏告诉记者，在坚持长期投资理念的基础上，近期中信保诚量化团队对原有策略框架进行了改造升级，并深度融合了人工智能技术，既提升了获取超额收益的能力，又优化了风控措施，致力于为投资者提供长期稳定的超额收益。

融合共性与特性

经过长期的投研积累，中信保诚量化团队构建起“核心+卫星”的策略框架，核心策略以多因子选股为主，主要依赖中长期的基本面因子进行股票选择及风险管理，包括控制组合跟踪误差等；卫星策略则包括事件驱动、行业轮动等类型，通过多样化及相关性低的策略组合来增厚超额收益。

姜鹏表示，设计这一策略框架是考虑了市场交易行为的共性以及投资者结构的多样性。当前投资者结构复杂，包括大量的个人投资者，以及保险资金、公募基金、北向资金等不同类型的机构投资者。而每一类机构投资者都有鲜明的投资风格，如险资偏好高分红股票，北向资金则更青睐核心资产。“针对这些特点，我们希望通过卫星策略来刻画各类投资者特别的投资风格。”

在姜鹏看来，除了特殊的投资风格，不同投资者在交易行为上具有一些共性，例如对于优质公司的认知、市场下跌时的避险心理，以及对长期动量较好股票的偏好等，都是市场参与者的共性行为，这些共性行为可通过多因子模型来刻画。

“这种‘核心+卫星’的体系，不仅避免了单一风格暴露过大所带来的极端回撤风险，而且还能通过多元化策略在长期投资中提升获取超额收益的稳定性。”姜鹏总结道。

引入机器学习 增厚超额收益

近两年姜鹏发现，随着市场投资者结构的变化，策略中基本面因子的波动性有所加大。“投资者结构的改变导致基本面因子的定价权阶段性下降，虽然中长期维度仍然是有效的，但短期波动的增加会对客户持有体验造成一定影响。”他直言。

为应对这一变化，自去年四季度以来，中信保诚量化团队借助人工智能技术，逐步将机器学习引入策略体系。“我们尝试将核心策略中的一小部分基本面因子替换为机器学习因子，力争增强获取超额收益的能力。”姜鹏说。

“机器学习技术可帮助团队扩展数据源并应用另类数据，这是我们下一步努力的方向。”姜鹏解释道，传统的量化策略主要依赖标准化的财务数据，而机器学习技术使团队能够处理文本、音频、视频等非结构化数据，从中挖掘出额外的价值信息。例如，对于上市公司管理层在公开场合的言论、官方平台上与投资者的互动交流等，团队运用机器学习技术，可提取出与公司订单及经营状况相关的关键信息。同时，团队能够识别管理层对公司未来发展的态度和看法，从而提前预判公司的成长性。

“分析非结构化数据，为我们提供了传统财务数据之外的增量信息，增强了对公司基本面变化的洞察力，为投资决策提供了有力支持。”他说。

优化量化风控体系

机器学习技术在风险管理领域也扮演着重要角色。“我们在实践中发现，机器学习的负向预测比正向预测更加有效。”姜鹏说，“随着量化策略同质化的加剧，量化投资的超额收益逐渐衰减。于是我们调整了思路，将同样的模型和因子用于预测未来短期内表现较差的股票，并将其从组合中剔除，避免单一个股波动对组合造成影响，平滑了组合净值短期内波动。”

中信保诚量化团队对传统的量化风控也进行了改进。以市值因子为例，姜鹏表示，在控制市值风险时，此前的做法是约束持仓组合的平均市值与基准指数保持一致，但因为市值分布可能存在巨大差异，组合市值离散度过高易引发大小盘风格漂移，或会形成被动风险敞口。“因此，我们对市值分布也进行了约束，使组合的市值分布曲线与基准指数接近，从而尽力规避市场风格极端轮动时的市值风险，提升了组合净值的稳定性。”

此外，鉴于基本面因子波动加大，中信保诚量化团队将部分收益预测模型中的基本面因子转移至风险约束模块中，将其重新定位为风险管理工具。