兴业基金楼华锋：分化行情与Alpha投资探索【演讲文字实录】
由qxiao创建，最终由qxiao 被浏览 90 用户
日期：2021年11月5日
主办：开源证券金融工程魏建榕团队
主题演讲：分化行情与Alpha投资探索
特邀嘉宾：楼华锋，兴业基金多元投资团队总监
发言实录：
非常感谢开源金融工程魏博士的邀请。我简单跟大家分享这几年做投资的一些想法。因为我自己做过一段时间的卖方，然后也探索了将近5年的买方工作，比较能理解中间的一些差别。在2017年初发的第一只Alpha基金，基本上应该算是发在了低频量化的最高点。我记忆犹新的是，在2017年发第一只基金的时候，分管领导问我预期收益是多少？那时候我信心满满，我跟他说根据我的模型回测，跑赢中证500指数20%的问题不大。因为在2017年之前，大家用多因子去回测还是能够跑出30%的超额收益，也许样本外会降低，但降低到20%总归还是有的吧。这是我当时的预判，信心满满，然后我们领导就很惊讶，他就说你是没搞过投资，你知道这个数据意味着什么吗？意味着如果说2017年之前能够连续三年跑中证500指数20%，基本上在公募基金排名里面能够到前5%。后来年化超额基本达到预期，但是基金排名却不是特别理想，主动权益基金这两年业绩大幅超宇基准，大家都讨论了一个问题，就是量化未来的路在何方？
我今天分享的第一部分还是延续这个话题，然后我再来讲一下我自己理解的原因和解决方案。我今天的分享的内容应该不太会涉及到具体模型怎么做，效果怎么样，参数如何调整。因为魏博他们的一些研究报告，内容上我觉得肯定比我们要讲的好。
公募量化困境
我先分享一个数据，我觉得投资还是存在周期，但是说有的人坚持，也会有人不能坚持。的确，像去年的我们的闭门讨论会上，有的量化投资经理在跟我们分享的时候，我虽然认同他的想法和观点，但很难坚持下去。从数据上看应该是2014、2015、2016量化基金是大幅战胜主动权益基金，到了2017、2018 、2019、2020年是连续跑输的状态，所以说其实更多是策略的周期性，我自己理解这是个周期现象。
我想讲这几年公募量化的一个困境，首先是周期问题，第二个我跟大家讲一下分化行情。大家可能也有所体会，分化带来业绩偏离在这两年是非常大的，但是从长期去看，这种偏离未必能够在带来很好的收益。我们拿500指数和300指数的收益和公募基金的业绩中位数对比来看，基本上近10年的数据显示，只有三年公募基金的业绩是不在500指数和300指数的收益区间之内的。第一个就是2014年，这一年公募基金严重跑输任何一个指数，那年收益公募基金只有20%左右，但是500和300都是40%以上。另外两个样本是我们最近经历的是2019、2020年，这两个样本点的公募基金都是跑赢任何一个指数15、20个点以上。
我自己的观点还是觉得这种偏离更多也是一种周期现象，不代表说偏离一定会带来很好的效果，这是我的一个想法。然后，我们再来看一些比较悲催的数据，公募的指数增强基金或者量化增强基金的准确规模应该是2000多亿。而且，这两年量化基金的占比是不断的下降的。
我自己对于这个现象是很纳闷的，因为我看到量化私募基金这两年的发展非常快。但的确我们得承认公募基金的业绩确实不如私募，客户跟着收益去买基金而不是收益风险比也是很现实的问题。
量化策略失效探讨
另外我想跟大家分享一下的就是刚才董总不断强调的行业分化。确实如此，在近两年行业分化程度是在不断加大。我这里罗列的是申万28个行业的收益标准差，这几年是一个逐渐放大的过程，对于我们一些行业中性化的策略会带来不小的挑战。
刚才分享的都是一些现象，我接下来重点想跟大家探讨这些现象背后的原因。首先看一下风格因子，风格这块大家可以看到，动量肯定是非常强，然后价值是逐渐在弱化的。我们很多的量化基金，像无论是海外的量化基金，还是目前的国内量化基金，普遍来说在价值上也都有暴露，风格上肯定对我们是不利的状态。
无论海外还是国内的量化基金，他们很困扰该怎么来处理价值因子失效。我自己理解主要有几个原因：第一可能跟美国的货币政策有关，低利率环境更加有利于成长股，另一个主要原因就是受到了疫情的影响，疫情对于周期性行业的盈利会损伤，所以会带来整体的估值差不断扩大。而且疫情对于经济的冲击是全球性的，同样影响我们国内的A股市场。
这里介绍交大的潘教授做的一个研究，我自己对这个研究后续也有跟踪。大家如果感兴趣的话，可以关注后续的研究，有很多非常有意思的结论，我这里只和大家分享其中一个比较简单结论。潘教授他以互联网平台的崛起作为一个分界点，在2015年前后，把过去的基金业绩分成10组，然后根据过去的业绩分析接下来一个月的资金的净流入的情况。在2015年之前，当然是业绩好的买的人多，但是前10%的基金净流入占比也才20%，其实还是比较好理解的一种分化。但是在互联网平台崛起之后，这种分化是非常大。到2015年之后，特别在互联网平台上业绩排名前10%的基金，它获得的流量是50%甚至还要更多。我觉得这个数据还是低估了这种分化，因为它是从学术研究的角度去看，如果是把所有基金分成20组、30组甚至是100组，我觉得这个结论会更加精准，可能流量会集中在前5%的基金。
这会对股票市场结构产生什么影响？其实这能够很非常好地解释了这两年股票市场的分化现象。因为当这些顶流的基金获得了流量之后，它可能在它所在的赛道上或者它重仓持有的股票上不断加大配置。大家可以思考为什么会加到这个上面？其实跟我们的基民的投资行为有关。平台上提供的是过去30天、过去20天的业绩排名，榜单效应明显也很正常。我们现在再开始推量化基金或者产品，我个人觉得效果可能不会特别明显，是一个非常慢的过程。
因子投资微观结构变化
接下来我们再来看，在这种宏观因素影响的背景下，因子投资微观结构会有什么变化？这两年大家讨论很多模型失效的问题，我自己也一直在想这个问题，我看见他们研究做得很好，因子效果也很好，但是为什么我们的规律总是失效，这是一个非常困扰我的问题。在找到数据规律之后，我发现其实这两个因子模型的失效，除了个别因子，像是价值的确是失效，但是大部分的Alpha其实是没有失效，只是说收益略有降低。
Alpha总体是有效的，但是这种有效在微观结构上就失效了，这里怎么理解微观结构？我举个例子，我做一个双分组的研究，比如说BP因子为例。如果我们先根据市值把股票分成5组，再根据BP分5组，我们会发现一个现象。基本上在2018年之前，不同市值的BP因子差不多都是有效的，但小市值里BP更好。在2018年之后，在大市值里BP是负向，也就是说高估的股票会更加好。如果用机构持仓作为代理变量来看的话，这个结果实际上会更惊人。在高机构持仓股票池里面，低估值的股票会严重跑输高估值的股票，但是在全市场4000只股票里面，其实BP还是相对有效状态。所以这种结构分化到时候我们都用多因子模型去做策略，几乎就不可行。因为你们评价BP因子是有效的，然后加进来模型里面，但是当再往模型里面加一些基本面增强的因子的话，它又变成无效的状态，我把它叫做多头的局部相关性矛盾，会带来我们在做多因子模型时因子失效的现象。
另外这张图大家也可以看一下，类似地，波动因子也是非常明显。大家可以看颜色分布，2009年到2018年，颜色分布是非常对称的，也就是右上角大红但左下角是绿的。但是到了2018年之后，它的整体的结构分布就变得不太一样。
我自己还做了一张图，可能大家沟通的都看过，但这张图看过的人不多，因为我这个研究比较不一样，我怎么做的呢？我把机构行为类的因子跟价量类博弈因子，比如换手率、波动率做两个不同的模型。我们来看一下这两个模型的整体相关度，我们会发现相关性在这两年略有下降，但总体而言还是不相关或者略微正相关。其实我们做模型的人都知道，我们希望模型的理想状态是弱正相关的，当然不相关的模型也可以。然后如果我再把这两个模型的多头部分和空头部分，就是前10%和后10%再来求相关性，我们就会发现有很大的区别。在模型的空头部分，也就是基本面模型认为差的股票和价量因子，或者说博弈因子认为差的股票重合度是非常高的。但是在多头部分，也就是基本面模型、价量因子认为好的股票，在2016年之前有时候相关有时候不相关，或者大部分时候还是弱正相关。在2016年8月之后，我不知道为什么是在2016年8月份之后，两个模型的多头一直是持续的不相关状态。这带来的现象就是当我做多因子模型，用了基本面模型选出一些股票，然后我再用价量模型去增强的时候会发现，我们基本模型认为好的股票，反而价量模型认为不好。这就导致实现不了我们原先多因子逻辑一直想实现“1+1>2”的效果，甚至到最后是“1+1<1”。这就是我们做多因子模型，在多头相关性与全局相关性矛盾带来的困境。
ALPHA投资探索
接下来分享一些我自己在做投资过程中的关于处理这些矛盾的方法。首先，我自己一直在坚持一些东西，先跟大家分享一下。这是我在2017年发基金产品的时候做的分析图。我一直坚持的就是系统投资、局部创新和逻辑优先，至少是按照这三条原则来做的。在这张图不变的情况之下，这几年的确也做了一些适当的优化，来处理刚才讲的一些可能带来困境的矛盾。
刚才包括我们也做了一些行业模型的分享，我今天就分享行业模型了，更多来讲一下就是说怎么用。因为这个我相信包括魏博也做了很多，我不知道各位有没有用过，如果各位用过之后，我相信可能会跟我有一样的困惑，就是实际效果不是特别好。我不知道大家有没有这样的结论，我们的很多行业的模式就单个行业模型表现很好，可能它的超额收益有10%，但在实际应用中对我们多因子模型绩效的增加是很弱，甚至有时候会带来负面的效果。我自己理解的几个原因：
第一个原因是过拟合，因为模型是基于申万28个行业，所寻找的就是28个样本点的规律，过拟合问题实际非常严重。我在处理这块的时候，更多是关注就是指标逻辑。另外，我会去做很多的过拟合的暴力检验，其实也比较简单，用不同的行业分类标准反复测试。我就不断的用不同的分类方法，如果说我这个模型都能够有非常稳定的效果，它的过拟合概率相对就会小一些，但只是相对降低一些。
第二个原因就是我们的微观结构的行业轮动模型跟我们Alpha模型相关度非常高，因为我们主要Alpha也是来自这里。这种情况之下，我们怎么去处理相关性，也是我在做的很多工作所需要处理的问题。
第三个是我觉得是最重要的，我们很多行业轮动模型虽然效果非常不错，但实际上IR是远低于我们的Alpha模型。这种组合会带来一个效果，我们把行业模型加进来之后，对我们整个组合的收益反而是降低的。所以我近期要做一个很重要的工作，就是在用行业模型的时候注意它的风险控制，比如说像这一轮可能很多行业轮动模型，因为价格动量因子都会超配周期行业，如果说你自己的组合因子模型就超配了周期行业，然后去再做行业轮动模型，在这段时间回撤就会非常大。
因为所有的周期行业是同向变动，在做组合风险控制的时候，非常注重就是行业模型自己的风险控制，像我自己这段时间的行业流动模型，我可能会周期还是超配，但是我的确也会把一些银行这些行业超配上来，目的是希望降低行业之间的相关性。
再行业轮动策略上虽然做了一些研究，但是难度还是非常大。刚才的三个挑战其实都很难，我自己只是做了一些尝试，但是我觉得这个尝试效果本身而言并不是说特别的理想。
另外我也做了一点尝试，就是做一些局部域策略，也就是这两年也非常流行的组合策略。我自己对组合策略理解，觉得在分化行情之下组合策略无可厚非，比如说强势股策略。因为的确这些强势股它用因子是很难解释的，这些强势股可能有别于因子体系，但没有一个因子可以很好的去解释这几个强势股。我们只有把这个范围不断地缩小，然后再用因子模型去概括它，这是有可能做到的。在这种情况下，我也做了很多类似组合子策略，也看到很多卖方今年做了很多组合子策略，效果非常好但回撤也很大，可能九月、十月的回撤都在10%以上。我的解决方法就是强逻辑，因为小样本来就一定要强逻辑；另外就是用多策略来抵抗过去的风险，而多策略这块更多强调的是策略本身要足够好。
高频数据量化
最后想跟大家分享也是我自己最近在做的尝试，也是受了魏博他们研究的启发。关于高频数据这块，我自己觉得实际效果大家不要过高的希望，公募基金高换手策略总体不成功。主要原因很简单，因为公募基金里面它的成本相对比较高。另一方面就是我刚才讲的矛盾，它的基本面模型跟价量模型是矛盾的，很难实现“1+1>1”的效果，所以实际绩效会非常糟糕。我自己在做这块研究的时候，看到很多像魏博他们做了很多意义的一些结论，但是我觉得最重要的还是要坚持要把背后的逻辑看清楚，到底是靠什么驱动它这个因子会带来好的收益。所以我希望这些逻辑跟我基本面模型的逻辑不要去有很大的冲突，在这个基础之上再去综合考虑换手、匹配等问题，最终可以做出一个相对还可以的效果，这是我做的一些尝试。
周期与机构化
接下来我要强调的还是周期问题。因为这点非常重要，我自己理解就是价值和市值风格它总体还是周期问题，大家不能觉得价值因子就失效了，有很多人可能彻底放弃了这个因子的配置或者这因子思路的配置，我自己是一直在坚持配置的。所以，我在2019、2020年我的业绩会受一些影响，但是我觉得这是一个基本的逻辑，肯定是估值低的东西长期会更好一些。它在国内股票市场来讲是个很中性的概念，要看你怎么去想这个问题。我自己对这个问题的判断是一个周期现象。
另外一个周期问题就是关于机构化，这是量化投资机构一直在讨论的问题，就是我们A股机构化的进程，长期逻辑肯定是没问题的，它是弱趋势变化的机构化过程，但是我觉得短期还是因子的周期现象。
我们要看到趋势问题，特别是像刚才张总这样的高手进入这个市场之后，以一些微短周期的价量因子去赚钱其实是不可能的，所以价量因子全面有效的时代基本上就已经结束了，这个时候我们可能更多还是要去做一些中低频的尝试。
坚持大样本验证
另外一个趋势就是想一招将吃遍天，这个肯定是没错。大家会偷懒用4000只股票就研究结论，然后一直持续这样的框架也很简单，但是这种很简单、很系统的东西可能会结束。我们量化投资还是要坚持大样本，因为我看到有很多同行在做一些尝试，类似什么上证50增强，可能有些偏基本面研究的东西能做，但是从量化的研究方法来看，我还是觉得要坚持大样本来进行验证。如果你要坚持大样本的话，可能你的产品风格上还是要偏向于中小市值。
适应市场而不成为市场本身
稍微总结一下，我是在2017年开始管理基金，基本上是踩在了500指数的最高点和量化策略的最高点。记得我2017年6月份第一期半年报，我也配了很多的反转因子、换手率因子。但后来发现它失效了，深度思考了港股通带来投资者机构变化后，团队讨论对模型进行调整；到了2018年，那个时候大家量化圈聚会最常聊的一个话题就是，今天你踩雷了没有？因为那个时候有很多个股暴雷，连续跌停了三四个板，我们团队第一时间开发了个股质量风险模型；到2019年，科技、成长股崛起之后，怎么样去衡量科技股、成长股的价值，这是对于量化非常有挑战的一个话题。当时卖方也做了很多报告，我自己也做了很多的尝试。后续还面临了价值股失效，强势动量股崛起等各种挑战……
首先我觉得做量化研究，最重要的是要有足够的历史数据作为基础。所以我一直坚持就是历史数据优先。但我也不是只停留在历史数据上，也会去思考市场是不是失效了，接下来市场会有什么样的变化。
第二点我觉得就是要适应市场，但不能成为市场本身。这句话什么意思呢？我举个简单的例子，我今年做了很多模型，也是跟动量、强势股有关的一些模型，但是我没有去做白马股因子的配置。我知道有量化基金在做这样的配置，就是把白马股定义一下，然后一键买进去。但是我会在白马股强势有效的情况之下去做出Alpha，就这个话题我们去做研究，然后做一个模型出来再去配置。我不会去跟随市场白马股的直接因子化，因为我觉得如果做这个事情，我就成为市场本身了，而我不想成为市场本身。
最后一点是我一直坚持做的，坚持在风险可控的前提下追求超额收益最大化。这句话可能是每个基金产品里面都有的一句话，但也是我自己是一直坚持的。特别从这两年看，在500增强上，虽然跟头部的量化基金还是有差距，但是回撤控制比较小。这是我自己一直在坚持，就是在风险可控的前提下超额收益最大化。以上就是我的分享，谢谢大家！（全文结束）
（纪要整理：苏良）