构建量化多因子模型 挖掘细分成长龙头超额收益

　　不少投资者对指数增强有所耳闻，又相对陌生。简单说来，它介于主动基金和被动指数基金之间，既要求与跟踪的指数不能有太大的偏离，又要有一定的超额收益。在这样的条件限制下，不同的基金经理对指数增强基金的目标有着不同理解，有些人最关注的是超额收益的高低，努力把收益做高。而笔者最关注的是超额收益的稳定性和胜率，希望把产品打造成适合中长期投资的工具型产品。

　　追求稳定超额收益

　　要实现较高的超额收益胜率，指数增强产品的策略设计和选择必须有所取舍，收益的稳定性和风险管理显得尤为关键。在这方面，通过量化多因子模型构建投资组合进行指数增强有显著优势。量化多因子模型是通过研究各种数据（包括基本面数据、交易面数据、网络大数据等）与股票走势的关系，提取和归纳出这些数据影响股票的规律，将其抽象为“因子”，再通过多个因子结合的方式构建可以长期超越基准的组合。

　　上面这段话可以用一组比喻来说明。主动管理型的基金经理就好比是“渔夫”，他们会精选有比较多“大鱼”聚集的区域，看准后用“鱼叉”捕鱼。因而，他们会优选几十只股票做深度研究，重仓超额收益突出的公司。采用量化投资策略的基金经理，则会做大量的数据分析和测试，找出具有某种“特质”、能跑赢市场的一篮子股票。因此，量化基金经理获取收益的方法是编织有规则、有纪律的“渔网”，捕捞到一网鲜活的“鱼”。而“渔网”的编织规则其实就是大家熟悉的各种因子，如价值因子、红利因子、成长因子、盈利因子等。

　　从这组比喻我们可以了解到，与主动选股通过对几十只个股基本面的深度研究精准制胜不同，量化模型挑出来的股票有几百只，收益更多来自于统计规律的大概率重现，相对比较稳定。同时，量化模型通过组合优化的方式，可以对风险因子进行精准约束，控制相对指数的偏离，实现跟踪误差的定量控制。

　　由于量化模型的超额收益主要来源于因子，所以因子的选择和构建极为重要。在构建量化模型的因子库时，笔者坚持三个投资原则：第一是分散原则。通过量化方法从股票相关的海量数据中提炼出多个选股因子，构建量化因子池。第二是因子相对直观，注重构建逻辑和金融学意义，对过度数据挖掘产生的因子保持谨慎。第三是因子之间的相关性要比较低，以达到组合配置整体效果稳定的目的。

　　具体到因子选择上，由于A股的投资逻辑越来越向国际接轨，预计过去效果较好的基本面因子在未来仍能延续较好表现，如成长、盈利等因子可以进行重点关注。而像行业、市值等对股票收益影响大，且效果不稳定的因子，则要在风险控制层面进行严格的偏离约束，以提高稳定性，降低波动。

　　捕捉细分行业成长股机会

　　今年前8个月，在流动性宽松、市场风险偏好提升等因素推动下，A股走出一波显著的结构性行情。代表未来经济发展方向的消费、TMT、医药行业股票由于较好的成长性，受到市场青睐。其中，具有长期空间大、商业模式好、竞争格局清晰等特质的一线白马股涨幅可观，估值也达到历史较高水平。

　　进入9月以来，市场风格出现轮换迹象，板块之间、板块内部也出现分化，机构投资者的行为亦出现分化。在当前这种“基本面好的股票很贵，便宜的股票基本面有瑕疵”，机构持仓态度分化的市场环境下，选择有一定成长性、估值相对合理的指数为基准的指数增强产品，不失为攻守兼备的稳妥选择。

　　比较有代表性的就是中证500指数。该指数中医药生物、电子等科技创新相关行业占比居前，成分股汇聚沪、深两市一批高成长性的二线蓝筹股和细分行业的龙头股，指数过去几年的利润复合增速保持在15%以上，有较好的成长性。从估值来看，中证500指数目前的PE为30多倍，处于历史均值附近。从指数结构来看，中证500成分股数量较多，行业与市值分布较均衡，不少股票机构较少覆盖，这也有利于量化选股在大数据样本中能充分发挥其优势，获取稳定持续的超额收益。

　　采用量化模式来管理指数增强产品，需要投研团队和完备的量化系统提供支持。为此，广发基金量化投资团队内部自主构建了较完善的量化投资研究系统，功能涵盖市场跟踪、因子分析、策略构建和组合跟踪等多个部分。团队中的研究人员和投资人员将自己的研究成果汇集到系统中，通过系统的分析和比较，形成集体智慧以提高公司整体的量化投资水平。以此为基础，团队开发了指数增强策略、量化对冲策略、主动量化策略等多样化的策略以满足不同投资者的需要。