2024年，国内ETF市场迎来发展的第二十年。20年，2万亿，ETF已经发展成为资产配置的重要工具。

ETF的发展历程，正是国内量化投资快速成长与创新的写照。从最初的指数跟踪产品，到如今涵盖宽基、行业、主题、Smart Beta、跨境、商品、债券和货币等多种资产类别的丰富产品线，ETF已经成为投资者资产配置中不可或缺的工具。随着市场参与者的增加和投资理念的成熟，ETF以其透明性高、成本低廉、流动性好的特点，吸引了大量机构和个人投资者。同时，量化投资策略的运用，如多因子模型、AI算法等，为ETF产品提供了更为精细化的投资决策支持，增强了ETF的投资魅力。

随着资本市场迈入高质量发展新阶段，量化投资将迎来哪些机遇和挑战？富国基金量化投资部总经理王保合针对国内量化投资发展的过去、现在和未来，以及富国基金量化投资的布局与居民财富管理解决方案的思考，作了深入的分析和探讨。

王保合认为，展望未来，国内量化投资和ETF市场仍具有巨大的发展潜力。随着金融科技的不断进步和市场结构的持续优化，ETF将更加多元化，量化投资策略将更加智能化、更加高效便捷，两者相辅相成，共同推动量化投资向高质量方向发展。

1.国内公募量化投资的三个阶段

近两年，量化投资“E”军突起，截至2024年4月末，ETF市场规模已经突破了2万亿元大关，其中股票型ETF的规模达到了显著的增长；千亿级规模的股票ETF产品数量已增至5只，并且出现了首只规模超过2000亿元的股票ETF产品。面对量化投资市场的不断扩容，以及量化产品格局的不断变化，王保合对此有着客观、全面、前瞻、深刻的见解。

回顾ETF市场发展历程，他认为国内公募量化投资可以分为三个发展阶段。

第一阶段，2002年至2008年，探索阶段。国内公募量化投资基金起步于2002年，国内首只指数增强型量化基金发行；2004年，国内第一只主动量化型产品上市；同年年底国内第一只ETF成立，开启了ETF时代。彼时，国内资本市场的基础数据仍旧处于建设初期，缺乏充足的历史数据、高质量的企业财报数据、行情信息等数据来构建模型并回溯检测，所以量化投资处于较为粗放的模式，多是通过构建一些简易的指标来筛选股票池，模型尚不够完备。

第二阶段，2009年至2015年，起步阶段。随着2008年海外量化人才回归，少数公司率先完成量化投资体系构建的突围。2008年，金融危机波及全球资本市场，海外量化交易受到冲击，许多金融领域的海外人才回流，带回来海外先进的量化策略。富国基金副总经理李笑薇便是在2009年加入富国基金。

随着海外量化人才的加入，国内各大公募基金公司的量化团队开始采用“多因子模型”进行量化选股。多因子模型的基本原理是采用一系列的因子作为个股的筛选标准，买入满足这些因子的股票，不满足则卖出，是应用最广泛的选股模型之一。

王保合表示，在海外发展较为成熟的多因子模型策略架构被引入后，包括数据清洗、因子构建、优化器使用，以及对因子的评价体系纷纷搭建起来，整个量化投资体系变得规范化。而在基础数据端，从2005年开始，国内一些第三方数据库服务商成立，经过几年发展，可以提供较为充分的历史数据来回溯检验。

2009年12月，富国基金发布了国内第一只采用系统量化技术管理的指数增强基金产品⸺富国沪深300增强。这只产品也为富国基金在公募量化领域打响了名气，截至2023年底，富国沪深300增强成立13年来，仅2013年与2020年的年度收益稍逊于沪深300指数，其余年份皆跑赢沪深300指数，成立以来基于沪深300指数的超额收益超过100%。

“我们还是比较幸运的，在国内起步较早，当时整个市场上量化领域处于初级阶段，市场参与者并不多，是一片市场的蓝海，能够较为稳定地获取Alpha收益。”王保合感慨道。

第三阶段，2015年至今，成长阶段。2015年后量化多因子模型普及，进入考验各家机构数据挖掘、因子构建、深度研究能力的市场红海阶段。公募量化开始在深度数据挖掘和构建因子的层面上下苦功。

此前，基金公司获取的基础数据主要来自券商研究所和第三方数据公司，但随着入场机构增多，这类数据变得普适化，难以建立信息优势。富国基金量化投资团队自2015年开始着重自身的因子构建与策略研究能力，团队成员采取内部培养模式，老带新的协同研究方式，并将越来越多的独立研究成果运用到富国基金量化模型中。

2019年以来，伴随着AI技术的发展，国内量化步入快速发展阶段。AI技术在推动量化投资策略创新、提高交易效率、降低量化交易风险等方面，发挥着重要作用。

富国基金自2019年开始投入使用AI算法，来挖掘曾经“非标准化”的数据，不断拓宽数据源。AI快速发展的风口下，富国基金量化投资团队又一次成为行业的前沿探索者。

2.AI赋能量化投资

“ChatGPT与上一代AI最大的区别在于从‘感知世界’变为‘生成世界’。”王保合表示。这代表新一代AI在逻辑能力上的大幅提升，对此，举个简单的例子：曾经的AI可以阅读一些长文件，并且归纳出文中的一些中心思想；但ChatGPT出现后，它开始能够做到理解文本中信息的含义，带着理解去完成一些工作，例如根据要求画出一幅画。

所以新一轮AI性能提升后，对于量化投资在信息挖掘、因子构建与量化策略的优化上都提供了全新的帮助。

在信息挖掘上，AI可以快速捕捉市场上图像和录音等非线性的数据，并整理成规范的、可以运用在量化投资过程中的初始数据源，极大地降低了机构对于数据覆盖的广度和获取数据的成本，降低了获取差异化、有特点的基础数据难度。很多时候量化投资的决胜因素在于能够覆盖多少数据源，能够以怎样的效率获取数据源。

在因子构建上，原先主要依靠基金经理对于市场的理解来主观构建因子，如基本面因子、估值因子、规模因子等，再通过对这些因子的人为调配权重、控制风险暴露等方式去组合成一套符合基金经理投资理念的量化策略模型。

随着AI量化模型的出现，基金经理可以让AI在模型中自主挖掘有效的、能够表征市场的因子。而AI所挖掘出来的因子，往往是非线性的，可能并不停留在类似PE、PB、ROE这类我们能够理解其逻辑的指标，经过历史数据的回测后显示其同样是有效的因子。

在构建策略上，AI同样会对策略中的因子进行非线性的加权。比如一个量化基金经理拥有A、B、C三个有效的因子，他可能会分别给这三个因子0.3、0.5、0.2的权重去构建一个策略。但在AI构建策略时，它可能会通过A因子+B因子；B因子*C因子的方式，来构建新的因子，进而形成新的策略。

“量化策略是一种概率学，通过长期的概率来获取收益。如果用更加专业的语言来描述，量化基金是借助现代的统计学和数学的方法，用计算机在市场的海量数据里去寻找各种规律。”王保合谈道。

在他看来，随着AI被逐步运用到量化投资的策略中，量化投资正逐渐回归到它的本质：不受感情影响，完全建立在现代统计学基础上去执行获胜概率较高的投资行为的模式。

富国基金较早便开始运用AI赋能量化投资，目前富国基金在AI运用的硬件方面已经做到了行业领先，拥有足够的算力去满足AI进行各类日常的投资工作。而在AI算法领域，金融背景的从业人员本身并不具备创造AI的能力。

AI本身作为一种工具，就如同交易系统一样，基金经理应当去考虑如何在投资过程中运用它，而非去尝试自己做一套工具。但毫无疑问，随着AI技术的快速发展，未来机构在AI领域的投入和研究深度将成为决定其量化投资能力的关键因素。在这点上，富国基金量化投资团队已经做了超前且充足的准备。

AI的发展已经将量化投资带入了一个新时代，但这一趋势仍旧处于“青萍之末”。而在另一头，量化团队管理的另一类产品却已经在近两年实现爆发式增长⸺那便是ETF基金。

3. ETF规模持续净流入，机构竞相布局

ETF与主动量化基金虽然都是通过计算机执行一套构建好的交易策略，但区别在于ETF必须跟踪某一指数，而指数的编制规则是透明公开的，所以ETF在运作过程中执行的投资策略也是透明的。

这使得ETF的理解成本更低，市场接受度也更高。但从ETF基金本身的产品属性上来说，这并不是一个能轻易做好的产品。

2023年，国内ETF总规模首次突破两万亿，从ETF管理规模的结构上来看，头部20家公募基金公司包揽了整个市场ETF90%以上的规模，并且在100多家公募基金中，有超过一半的基金公司未发行ETF。

“对于一家基金公司来说，发行ETF需要非常完备的人员配置和系统建设。”王保合表示。

ETF作为一个可以变相日内回转的产品，一点小小的差错都有可能被放大、套利。并且由于ETF的规模体量较大，有大额申购时对于交易系统的压力非常大，需要不同的职能部门协同配合。王保合笑称，有几次大额申购时，他都会站在IT人员身后，确保系统运作无误。

ETF还存在一个问题⸺同质化严重。比如各家基金公司都有中证A50ETF、上证指数ETF，投资策略上这类产品的区别不大。

如何解决产品同质化问题？对于这一点，富国基金探索出了自己的答案，提供系统性的ETF解决方案，凭借量化赋能，提供更加多元丰富的产品。

在投资端，富国基金基于主动量化投资的丰富经验，从主动量化的角度为被动产品的发展赋能。以上证指数ETF为例，成立于2011年的上证指数ETF是全市场首只跟踪上证指数的ETF，采用了量化的抽样复制策略，在力求最小化跟踪误差的同时，取得了较好的超额收益。根据基金2024年一季报数据，该产品成立以来累计收益率为47.90%，相较于同期上证指数11.54%的收益率，实现了36.36%的超额收益。

“ETF跟踪指数的方式分为全样复制和抽样复制。一部分宽基指数采用抽样复制的投资方式，因为基金本身很难购买指数中全部的成分股。而在抽样复制的过程中，通过筛选出更优质的个股，就能在维持跟踪误差的情况下，优化基金的收益率。”王保合谈道。

从富国最早的一只指数增强产品⸺富国沪深300增强的诞生，再到主动量化、被动指数/ETF、绝对收益类产品等产品线的不断完备，富国基金量化投资团队将阿尔法模型的成功经验渗透至指数选用中，ETF与指数基金产品线布局日臻完善：涵盖可供底层资产配置的宽基ETF，如全市场首只上证指数ETF；设立了投资于不同行业赛道的行业主题ETF，如聚焦“中特估”的央企创新ETF、汇集香港中概互联网的港股通互联网ETF；关注长期核心赛道的龙头系列ETF；还有投资黄金抵抗通胀的金ETF等涉及商品策略或SmartBeta策略的ETF。

Wind数据显示，截至2024年4月末，富国基金旗下共成立并上市50只ETF，总体规模达695.65亿元，其中权益类ETF资产规模529.96亿元（宽基ETF209.77亿元、行业主题ETF215.10亿元、跨境ETF105.09亿元）、债券ETF资产规模157.43亿元、商品ETF资产规模4.21亿元、货币ETF资产规模4.05亿元。

展望未来，富国的ETF业务体系将继续以客户体验为本、降低投资壁垒，持续提升投资者的获得感。

4.精耕细作获取Alpha

“在成立一只产品前，我们首先需要确定该产品的业绩比较基准，确定了业绩比较基准便确定了这个产品的投资标的池。第二要根据产品的类型、预期来确定与比较基准之间的风格漂移度，偏离能做到什么样的程度。”

如果一只ETF、一只指数增强基金和一只主动量化基金的基准指数都是沪深300，那么它们之间最主要的差别就是允许的跟踪误差的范围不同。ETF允许的跟踪误差范围最小，指数增强基金次之，而主动量化能容忍的范围就更大些。

为什么要控制跟踪误差？因为盈亏同源是市场上永恒的主题，跟踪误差有时代表了超额收益，有时则代表下跌的风险。

量化产品如果想要获得超越基准的业绩，便需要放大产品在某些风格上的风险暴露程度，比如当市场趋向小盘风格时，将小盘因子的权重调高，便有较大机会获得亮眼的业绩。

从20年前率先使用多因子模型，到如今领先一步在量化投资领域建立优势，富国基金量化投资团队依靠领先市场的布局、高效先进的量化多因子模型，建立了自己的核心优势，而这正是富国基金量化投资团队的核心竞争力。

随着量化步入高质量发展新阶段，富国基金量化投资团队将继续坚持策略创新、科技赋能，形成专业合力、持续迭代，不断提升团队量化投资能力，以获取稳定的超额收益为目标，不断满足投资者多样化需求，共同推动量化投资高质量发展。

富国基金作为业内成立最早的量化团队之一，旗下量化投资业务范围覆盖公募、专户、养老金和海外 投资等多种产品组合管理，跨资产、多策略管理经验丰富，实力备受业内认可。截至2024年一季度末，富国基金量化投资团队成员超30名，产品线布局完备，被动权益管理规模超1000亿元。在产品创新和布局上，始终保持前瞻性，目前已经形成了涵盖ETF与指数基金、指数增强、绝对收益量化在内的多条产品线，旨在为不同类型的投资者打造多样化、多策略、全谱系的资产配置百宝箱。

经过十五年的专业深耕与积淀，富国基金量化投资团队已从早期的行业先锋成长为行业领军者。展望未来，富国基金量化投资将凭借其团队合力、数据驱动、模型导向和技术创新等核心优势，有望继续在量化投资版图中开疆辟土，为投资者提供更加全面、高效和智能的资产配置方案和财富管理服务。

上一篇文章         下一篇文章