文/富国基金量化投资部

富国基金量化投资团队是国内最早的量化投资团队之一，凭借资深的团队和稳健的业绩，在量化投资领域取得了显著成就。

本文通过对富国基金量化投资团队的采访交流，让大家较为清晰地了解富国量化投资的产品布局、量化模型特色、指数投资以及保持团队核心竞争力的原因。

以下我们先分享来自富国基金量化投资部的一些“金句”：

1.指数增强产品更注重提供Beta以及稳定的Alpha，而主动量化产品允许与beta有明显偏离，以获取更多的Alpha。

2.不论是指数增强还是主动量化，多个策略因子加权以分散风险平滑收益、及时的模型迭代以适应市场运行逻辑，都是其获取超额收益的基础。

3.对量化因子的挖掘应用策略，通常分为因子构想、数据梳理、因子构建、有效性检验、投资验证五大步骤。

4.富国基金开发的量化分析模型主要包括多因子模型、风险模型和交易成本模型，这些模型相互交互、共同配合，共同构成了量化交易策略的基础。

5.富国基金量化投资系统具备自动化、精细化、智能化三大明显特点。

6.日常量化投资过程中，人的主观能动性更多体现在模型的研究上，包括多因子选股模型、风险模型、交易成本模型等研究。

7.出色的代码能力能够有效提升研究效率，但研究方向是否正确决定了该项研究是否成功。

8. 要成为一名优秀的量化研究员，除了过硬的专业能力之外，还需要较强的学习能力和团队合作精神。

9.很多人都觉得量化是投资行业中最容易被替代的，但实际上量化最先把AI工具纳入到它的研究投资过程中去。

   A：按照Beta和Alpha的不同组合，我们可以将富国基金的量化产品划分为四大产品线：

（1）“传统Beta+Alpha”的指数增强产品线，代表性产品包括富国沪深300指数增强、富国中证红利指数增强等，该产品线目前共有9只公募产品，合计规模约296亿元。（截至：2023年12月31日，下同）

（2）“灵活Beta+Alpha”的主动量化产品线，包括富国致航量化、富国致弘量化等5只公募产品，总管理规模约9亿元。

（3）以Beta为主的ETF、ETF联接以及被动指数基金产品线，包括港股通互联网ETF、上证指数ETF等83只聚焦宽基、风格以及行业主题的各类产品，整体规模达到838亿元。

（4）以Alpha为主的类绝对收益产品线，具体分为用衍生品对冲方式实现绝对收益，如富国量化对冲三个月，以及用股票和债券的资产配置方式实现Beta平滑，如富国宝利增强二级债基，两类产品总规模约124亿元。

其中，指数增强和主动量化两类产品，都是聚焦“Beta+Alpha”的策略，也就是既包含了股票组合整体的收益，又力争在此基础上通过精选个股做一些收益的增强，获取超额。

ETF、ETF联接以及被动指数产品，则主要是紧密跟踪各类Beta，是一种工具型产品，目的就是为了方便投资者在不同Beta间进行配置，当然这类产品不追求Alpha，因此管理费往往更低。

这类绝对收益产品，则是尽可能把Beta带来的影响降到最小，以获取Alpha为主。具体有两种方式，一是利用股指期货合约空头来对冲Beta，二是通过股票和债券的混合配置来尽可能平滑Beta对组合收益的影响。

A：与指数增强策略相比，主动量化产品的投资目标是有明显差异的，指数增强产品更注重提供beta以及稳定的Alpha，而主动量化产品允许与beta有明显偏离，以获取更多的Alpha。

这种差异导致两类策略在组合构建、因子选择上存在一系列区别。

组合构建方面，指数增强通过风险模型和优化器，严格控制了产品与跟踪基准的行业、风格偏离，且对基准指数中成分股在组合中的权重占比有较高的要求。主动量化产品为了提高收益弹性，持仓中基准指数成分股的权重占比往往更低，且相比于基准，产品在行业和风格上的偏离可能更大、偏离的变动也更灵活。

因子选择方面，主动量化产品会更多聚焦在全市场，而非仅在基准指数中更有效的选股因子，且可以为了提高组合胜率而承受具有更高换手率的因子。

主动量化产品还可能会通过在一些风格因子上的暴露变动来获取超额，这可以理解成是在做大盘小盘、成长价值的风格轮动。

其实，不论是指数增强还是主动量化，多个策略因子加权以分散风险平滑收益、及时的模型迭代以适应市场运行逻辑，都是其获取超额收益的基础。

A：一个因子就是一个精选个股的策略，这种策略的研究与应用通常分 5 个步骤：

第一步，因子构想，主要是从最新的量化理论研究中寻找思路，或者从实际的投资经验中总结规律，来确定因子的聚焦方向和计算方式；

第二步，数据梳理，包括对财务数据、行情数据、分析师数据、行业产业数据等的数据比对、清洗、结构化等，为后续的因子计算打好基础；

第三步，因子构建，这一步主要是将之前的构想具体化，计算因子的方式，除了利用数据直接运算，还可以利用模型构建（例如深度学习的模型）来计算；

第四步，有效性检验，主要是利用历史数据对因子选股的效果进行评估，评估时要考虑交易成本、调仓频率等诸多细节，以便基于评估结果对因子的构建进行更有效的优化和调整；

第五步，投资验证，通过有效性检验的因子会放入投资组合，通过实际的投资效果进一步评估因子，并根据实际的投资需求调整因子，确保因子的持续有效。

A：量化投资团队已经实现了高效便捷的平台化管理，并依托于这种管理开发了完整的量化分析模型。整体来说，量化分析模型主要包括多因子模型、风险模型和交易成本模型，这些模型相互交互、共同配合，共同构成了量化交易策略的基础。

多因子模型是整个量化分析模型中的核心和关键。富国量化的多因子模型，在分析师情绪、成长、质量、估值、动量、资金流和换手率等传统Alpha因子的基础上，结合近几年的经济环境和市场情况，拓展出行业特色因子体系以及机器学习模型体系。其中，行业特色因子体系基于行业的产业链逻辑、行业中观量价数据等开发得到，注重行业内个股精选；机器学习模型体系利用“AI”算法，通过对底层因子的非线性加权动态适应市场情况。

风险模型的主要作用是预估组合的整体跟踪误差，交易成本模型则用于对组合的构建和执行进行精细化管理。量化团队在市场中已有的成熟商业化模型基础上，对风险模型和交易成本模型进行一定改进，以便这些模型可以更好地适配富国量化的多因子模型体系。（图1）

A：整体来说，富国量化投资系统具备下面三个明显的特点：

（1）自动化。富国量化投资系统，基本可以实现量化研究和量化交易过程的自动化，这不仅减少了人工干预对产品收益的影响，使得整个投资流程都更加标准，还能节省投资经理和研究员的精力，让大家聚焦于更重要的模型开发工作；

（2）精细化。经过多年的打磨和迭代，富国量化系统尽可能充分考虑了从数据收集端到策略执行端的各种细小环节，精细化的管理对产品风险的合理控制、模型开发的情景分析带来了诸多好处；

（3）智能化。富国量化系统的智能化，既体现在对产品风险的监控，包括策略的回撤、交易的冲击、风险的偏离等，也体现在对模型开发的辅助，例如对数据的智能处理、对因子有效性的智能分析等。（图2）

A：富国基金量化投资团队成立于2009年，到现在已经有15年的历史了，应该是国内市场中成立最早、管理经验最丰富的量化投资团队。2009年12月成立的富国沪深300指数增强基金被称为A股市场第一只量化基金，从此开启了A股市场量化投资的新纪元，量化投资在国内市场生根发芽，成为市场重要的参与力量之一。

富国基金量化投资团队作为量化领域的领头羊，在过去15年中，管理的产品类型丰富，长期业绩持续稳定，规模在市场中始终处于领先水平，团队成员也由刚开始的3人发展到目前30人，难能可贵的是在这个过程中，团队非常稳定，基本没有人员流失。

量化投资由研究驱动，通过系统、流程实现投资目标。日常的投资过程听从模型，量化客观，基本没有人为干预，人的主观能动性更多体现在模型的研究上，包括多因子选股模型、风险模型、交易成本模型等研究。富国基金量化投资团队采用投研一体化体系，基金经理作为资深研究员，在研究中起到领头羊的作用。

A：这个观点一半错误一半正确，的确，出色的代码能力是量化研究员的基本能力要求，但作为一名出色的量化研究员，更需要的是对数据、市场的理解能力。写代码和调试代码只是他实现研究想法的工具和过程。一个完整的量化研究过程包括数据研究、逻辑验证、因子构建和因子特征分析，每个步骤中都需要处理大量的数据，出色的代码能力能够有效提升研究效率，但研究方向是否正确决定了该项研究是否成功，也就是说，走在正确的路上才是最重要的。

A：要成为一名优秀的量化研究员，除了过硬的专业能力之外，还需要较强的学习能力和团队合作精神。专业能力包括数据分析能力、编程能力和逻辑思维能力，因此从事量化投资的人员也常被称为金融行业的“数学家”或者“工程师”。

投资行为本质上是对信息进行处理和加工的过程，每天影响资本市场的信息多种多样，一名出色的量化投资专业从业人员还需要对新事物保持开放心态，具有较强的学习能力，养成持续学习的工作习惯。

最后，就是团队合作精神。在我们团队，量化基金经理更重要的身份是资深研究员，一方面在研究中起到领头羊的作用，同时还需要帮助其他成员成长。愿意分享，明白众人拾柴火焰高的道理。

A：ChatGPT刚刚出来的时候，很多人都觉得量化是投资行业中最容易被替代的，但实际上量化是最先把AI工具纳入它的研究投资过程中的。一方面，我们会利用一些AI开源大模型去协助整理信息，比如研究报告、上市公司公告、新闻等等，提高工作效率。同时我们也会利用AI底层模型，挖掘有效的因子，丰富我们的因子库。

A：量化研究员的一天工作通常包括市场分析、模型开发、系统开发与维护等多个方面。

盘前，开始检查并确认生产程序的正常运行，随后查看市场动态和前一天的组合情况，分析最新的经济数据和新闻。

盘中，我们会对生产环境和系统进行维护，包括系统的运行状态，定期检查服务器、数据库、数据接口等，确保系统稳定运行，发现并解决可能出现的问题。同时进行数据质量的管理，确保使用的数据准确可靠。除此之外，还进行量化模型的开发和优化。

盘后，我们会阅读学术论文和行业报告，以保持对市场和行业的了解，并思考未来的研究方向。通过参与系统开发和维护的工作，我们能更好地了解自身量化交易系统，发现并解决潜在问题，不断优化交易流程和系统架构，提高交易效率。持续学习和团队合作是至关重要的。

量化投资的发展势头令人振奋，但也充满挑战。我们将继续深耕这一领域，不断提升自己，并与团队一起合作，探索量化投资领域的未来，为投资者创造更大的价值。

上一篇文章            下一篇文章