利得研究部将公募量化产品依据投资基准划分利得量化策略一级分类（仅统计主代码产品）。其中，被动量化共计1328只产品存量18457亿元、量化指增238只产品1923亿元和主动量化206只产品941亿元。其中，被动量化和量化指增进一步按照比较基准划分为跟踪/战胜宽基、行业和SmartBeta（策略）型的量化策略二级分类。主动量化则按照策略选股市值域划分成大盘、中大盘、中小盘和微盘量化，并将对冲产品定义为绝对收益的量化二级分类。
图1：利得公募量化策略权益基金的分析与评价
资料来源：利得基金
从过去10年指数增强占股票型基金规模来看，2015年中牛市顶点该占比仅为2.7%。随后市场深度调整，该占比稳步上升至2019年的8.17%。2020年公募赚钱效应较好，主动型基金进入高发期，指数增强型产品占股票型基金的占比有所下滑，但2021年以来国内经济基本面见顶，主动型基金擅长的基本面投资面临调整。指数增强基金的发行再度提速，目前该占比已接近2019年的顶峰。
图2：2023H1被动量化存量规模（内圈）最大(%)
资料来源：Wind、利得基金，数据截至2023年09月19日
图3：指数增强基金规模稳步上升(%)
资料来源：Wind、利得基金，数据截至2023年09月19日
进一步统计上证50、沪深300、中证500、中证800、中证1000和国证2000，6个市值从大至小的指增规模，可以发现代表大市值的上证50较去年同期规模略有下滑。沪深300和中证500两个主流指增规模最大，但近一年增速放缓，头部管理人发行的产品较为饱和。中证1000则是近1年规模增长最快的宽基指增。随着2000期货的出台，进一步加码小市值标的的流动性，国证2000指数增强也在近期密集发行中。
图4：小市值宽基指增快速增长（亿）
资料来源：Wind、利得基金，数据截至2023年09月19日
图5：指数增强基金分类
资料来源：利得基金
图6：公募量化管理人Top10（亿）
资料来源：Wind、利得基金，数据截至2023年09月19日
2019年以后A股市场经历基本面触底回升和估值修复的“戴维斯双击”行情，公募基金赚钱效应突出，市场的增量资金也进一步推升估值的扩张，主动股基相对于被动股基一度累积了高达100%的超额收益。随后国内经济基本面触顶走弱，2021年2月大盘指数率先见顶，年末中小盘指数见顶，主要宽基指数震荡下行，市场经历漫长的“压估值”行情。期间被动股基持股极度分散，回撤远小于主动股基，2022年至今被动股基显著跑赢。
在此背景下，不少主动型基金经理也选择分散化投资来应对下行风险，全市场主动基金的持股数量抬升和持股集中度下降的趋势都较为显著。同时，近年来管理人发行量化指增产品以及投资者申购分散化产品的需求也日益强烈，尤其是在今年行业轮动和存量博弈特征加剧的情况下，量化基金显示出更好的配置价值。
资料来源：Wind、利得基金，数据截至2023年09月19日
回溯历史可见，在市场的资产配置预期一致性较强，行业、结构具有共识的情况下，指数增强型产品相对适合作为底仓配置，用于防范系统性风险和平滑组合波动，业绩弹性难以与主动管理型产品相媲美，如 2017 年的极致白马股行情和 2019 年机构抱团的核心资产行情。公募量化指增适配于中小市值占优的行情，同时在市场缺乏增量资金、投资主线不显著，以及行业轮动和资金博弈的环境中具备显著的投资性价比。
资料来源：Wind、利得基金，数据截至2023年09月19日
指数增强型基金的收益主要是由基准收益β和超额收益α两部分所贡献。其中基准的β部分由市场、资金、基本面等多重因素所决定，是一个偏宏观的复杂系统。基金公司发行产品会选择布局多个指数基准，但也有部分管理人选择性价比较高的指数进行增强。而超额收益α则是由策略的有效性所决定，也是评价管理人能力的主要维度。同时，全域量化或主动量化产品的出现也迎合了投资者难以选择β的困境，策略本身内嵌β选择机制，在超额最明显的区域应用增强策略。
从历史回测来看，被动量化和量化指增产品今年以来的超额收益差距不明显，近3年则是量化指增的超额收益优于被动量化。收益贡献方面，今年以来和近3年大部分策略录得负的绝对收益，但主要是由基准下行的负β所贡献，多数管理人能创造持续且稳定的超额收益α，但在巨大的负β拖累下，也难以取得绝对收益。
进一步分析指数增强基金，二级分类宽基与行业指增的超额差异不显著，近3年均能取得双位数超额。Smartbeta的超额相对较好，主要包括红利/高股息、ESG等概念。主动量化中微盘量化策略的长短期绝对收益均一枝独秀，微盘β和超额α均有较大贡献。
图9：公募量化近3年基准及超额收益(%)
资料来源：Wind、利得基金，数据截至2023年09月19日
图10：量化指增二级分类超额收益 (%)
资料来源：Wind、利得基金，数据截至2023年09月19日
图11：公募量化今年以来&近3年基准及超额收益(%)
资料来源：Wind、利得基金，数据截至2023年09月19日
分域来看，绝大部分宽基指增能录得稳健向上的超额收益，中证1000增强效果最好，今年以来市值下沉的超额表现进一步增强。与主动股基相比，量化策略对于基本面分析师覆盖较少、更关注技术面的中小市值标的投资更有优势。此外，今年以来国证2000指增产品密集发行，年内增强效果也较为突出。
图12：宽基指数增强基金超额收益
资料来源：Wind、利得基金，数据截至2023年09月19日
大盘风格于2021年2月10日触顶，中小盘风格则相对较晚，于2021年12月触顶，并延续相对大盘的强势至今。统计过去3年指增日度超额，主要的宽基指增上行超额普遍强于下行超额，尤其是上证50的上行超额较为显著，上下行超额分化随指数市值缩小而收敛。中证1000在市场上行和下行时均保持强势，日度超额分布显著右偏。主要宽基指增均市场下行时指增基金均相对于基准具有正向超额，近3年宽基指数市值越小，超额越高。
图13：上行超额优于下行超额（BP）
资料来源：Wind、利得基金，数据截至2023年09月19日
图14：中证1000指增日度超额分布(%)
资料来源：Wind、利得基金，数据截至2023年09月19日
横轴用过去3年日度超额收益的年化标准差衡量其稳定性，纵轴则是近3年年化超额收益的绝对值，散点图左上角是理论上超额收益较高且较稳定的指增产品，趋势线左上的点都代表投资性价比好于同类。
跟踪体量较大的宽基指增中，中证1000、中证800、科创50和国证2000等指数均有较好的投资性价比，且有进一步市值下沉趋势。沪深300和上证50则处于同类平均的超额水平。MSCI系列指数由于跟踪基金过少，容易产生极值误差。
图15：宽基指增超额收益稳定性
资料来源：Wind、利得基金，数据截至2023年09月19日
目前公募量化基金策略主要集中在传统多因子模型、多策略模型、量化结合主观等，大型基金公司在深度学习和机器学习也投入了较大的研发成本。
传统多因子模型：因子的构建涵盖基本面、估值、情绪、量价、宏观等多个维度，构建模型选取中长周期具有超额收益的个股构成股票投资组合。多因子模型的应用分别在个股和行业层面挖掘超额，因子库的有效性和持续性也成为产品业绩的胜负手。目前多个头部管理人能累计上千个有逻辑的 Alpha 因子库，覆盖面广并在持续扩容。构建有投资逻辑的因子，一是原数据有逻辑；二是构建过程符合对市场的理解。 在风险模型约束下，紧密跟踪基准，严格控制运作风险，并根据各个子模型一定时期内的表现情况对其迭代，提高整体模型的适应能力，目标取得持续稳定的超额收益。
多策略模型：多种量化策略互补成更稳定且性价比更高的组合策略，内嵌策略选择、配权、迭代等多种机制，可以做到不依赖市场风格，收益来源多样分散。模型收集数据全面、广泛，预测更加精准，模型策略灵活应对市场变化。
量化结合主观：部分管理人也在量化模型中加入主观成分，比如因子的阶段性高低配。绝大多数时候依赖于量化做决策，特别是自下而上的选股及主题间的子行业轮动。自上而下明显的风格切换时会加入主观成分，综合主观判断弥补量化线性外推和样本量的不足，增加策略胜率。
机器学习：华夏基金、国君资管等中大型机构也在机器学习和深度学习有长足的投入。机器学习是人工智能里比较偏实践的算法的领域，现在慢慢分成机器学习和深度学习。传统机器学习适用大量精细化挖掘的因子，稳健性和透明性较优，样本外表现较好，不过也有其劣势，比如刻画时间序列的一些特征和刻画联动效应上比较弱，而这部分是深度学习擅长的，因此两者互补性较好。
普遍宽基指增仓位变动幅度较小，保持高权益仓位运作，所以大类资产占比调整贡献的配置收益不显著。行业轮动有阶段性收益贡献，但拉长时间来看并不显著。个股选择收益则是指增基金的主要超额收益来源，且相对稳定。统计过去3年6期年报和半年报公募指增产品的个股选择超额，中证500和中证1000成份外选股的幅度显著高于沪深300，且成份外选股贡献的超额收益优于成份内。
后文以追踪沪深300、中证500和中证1000三个宽基基准的指增基金为例进一步分析产品的超额收益来源。
资料来源：Wind、利得基金，数据截至2023年09月19日
资料来源：Wind、利得基金，数据截至2023年09月19日
沪深300指增的行业配置总体为负贡献，也是分析样本中最难以获取行业偏离超额的宽基。过去3年内仅在2022年中报周期中获得正行业超额，主要是在金融地产和科技TMT主题取得了行业偏离收益。其余6期均为负贡献，尤其是2021年中报周期，新能源及上游有色单边上行的行情中，宽基指增行业配置较为均衡，未能及时高配产业链，导致负的行业贡献。
总体来看，过去3年沪深300指增主要是从高端制造、农林牧渔和消费服务三大主题获取行业超额，而科技TMT有阶段性贡献，新能源则负贡献较多，其余板块则贡献不显著。
图19：近3年沪深300指增基金行业超额来源(%)
资料来源：Wind、利得基金，数据截至2023年09月19日
左表为沪深300整体在主题及行业方面获取的超配和低配的行业偏离收益，主要是通过高配高端制造、消费服务（家用电器、食品饮料），资源周期等公募较为擅长的大盘成长风格获得选股超额，同时低配金融地产以规避过去3年地产政策不确定性带来的行业系统性下滑，取得了显著的低配收益。另一方面，新能源是沪深300指增强主要的负超额来源，电力设备、有色金属的超配收益和低配收益均产生显著的负向行业配置贡献，说明公募指增在新能源行情估值扩张时并未提前高配，而在新能源回调时也并未及时低配。
右边的气泡图横轴计算过去3年指增产品的行业占比相对于基准的高低配程度，代表行业偏离度，纵轴代表产品两期行业分布的变化情况，代表行业轮动的程度。气泡的大小则代表该产品目前的基金合计规模。从图上可见，汇安、富荣、同泰、国金等中小型管理人发行的沪深300指增产品相对在行业轮动和偏离上更为激进。
图20：沪深300指增行业偏离度vs行业轮动度(%)
资料来源：Wind、利得基金，数据截至2023年09月19日
横轴计算过去3年指增产品的成分外个股的占比，数字越高代表产品的个股偏离度越大，纵轴代表产品在个股选择上获取的超额收益。气泡的大小则代表该产品目前的基金合计规模。
所有沪深300指增产品近3年均能获取正向选股超额，且产品间的超额差异较小。其中，汇添富、华宝、华安、景顺长城和西部利得五家沪深300指增产品的个股选择收益相对较高。
图21：沪深300指增个股超额vs个股偏离度(%)
资料来源：Wind、利得基金，数据截至2023年09月19日
中证500指增的行业配置总体为小幅负贡献，过去3年的6个周期中有3个获得正行业偏离收益，3个获得负收益，行业偏离贡献并不稳定。其中，2022年中报周期在金融地产和科技TMT主题取得了行业偏离收益。2022年报则在科技TMT主题有较大的负贡献，导致该周期行业偏离收益最差。整体来看，过去3年中证500指增的行业贡献来源离散程度相对较小，主要是通过低配金融地产获取行业超额，同时在消费服务和高端制造主题也有高配贡献。科技TMT负贡献最多，但阶段性也有高额的正贡献，稳定性较差。其余板块则贡献不显著。
图22：近3年中证500指增基金行业超额来源(%）
资料来源：Wind、利得基金，数据截至2023年09月19日
左表为中证500整体在主题及行业方面获取的超配和低配的行业偏离收益，主要是通过高配高端制造以及化工、煤炭和石油石化等资源周期品等获得选股超额，同时低配非银金融取得了显著的低配收益。另一方面，中证500指增在消费服务和电子两块领域也均在行业下滑时取得了低配收益。其余行业的偏离超额则互有胜负，拉长时间来看对基金的收益贡献并不显著。
右边的气泡图横轴计算过去3年指增产品的行业占比相对于基准的高低配程度，代表行业偏离度，纵轴代表产品两期行业分布的变化情况，代表行业轮动的程度。气泡的大小则代表该产品目前的基金合计规模。从图上可见，长城、上银、富荣、西部利得等中小型管理人发行的中证500指增产品相对在行业轮动和偏离上更为激进。
图23：中证500指增行业偏离度vs行业轮动度(%)
资料来源：Wind、利得基金，数据截至2023年09月19日
横轴计算过去3年指增产品的成分外个股的占比，数字越高代表代表产品的个股偏离度越大，纵轴代表产品在个股选择上获取的超额收益。气泡的大小则代表该产品目前的基金合计规模。
所有中证500指增产品近3年均能获取正向选股超额，且产品的选股超额分布较沪深300更为离散。其中，西部利得和博道500指增的选股超额领先幅度较大，这两只产品均在过去3年显著高配了成长因子，在2020-2021年累计了较高的超额收益。但今年以来两只产品的业绩出现分歧，主要是因为今年中报持仓测算的西部利得500指增较前期降低成长和质量等基本面因子的暴露，并增配了反转因子，切换较为成功。博道500指增则仍然显著高配成长因子，同时高配动量因子，尽管也增加了红利因子的暴露，但年内相对其他500指增产品的选股超额有所下滑。
图24：中证500指增个股超额vs个股偏离度(%)
资料来源：Wind、利得基金，数据截至2023年09月19日
中证1000指增的行业配置总体为小幅负贡献，过去3年的6个周期中有3个获得正行业偏离收益，3个获得负收益，行业偏离贡献并不稳定，与中证500的行业偏离收益分布较为类似。2022年报在科技TMT主题有较大的负贡献，导致该周期行业偏离收益最差。整体来看，过去3年中证1000指增的行业贡献来源离散程度相对较小，主要是通过低配金融地产和农林牧渔获取行业超额，同时高配高端制造和生物医药获取超配收益。科技TMT负贡献最多，但今年以来也贡献了正向超额，稳定性较差。其余板块则贡献不显著。
图25：近3年中证1000指增基金行业超额来源(%)
资料来源：Wind、利得基金，数据截至2023年09月19日
左表为中证1000整体在主题及行业方面获取的超配和低配的行业偏离收益，主要是通过高配高端制造和生物医药获得选股超额，同时低配金融地产和农林牧渔取得了显著的低配收益。另一方面，科技TMT和新能源是中证1000指增强主要的负超额来源，尤其是在TMT下行时超配传媒、电子和计算机均产生显著的负向行业配置贡献，新能源则是在低配时β继续上涨，提前止盈损失了行业超额。值得一提的是，中证1000指增在低配时相对其他基准有更高的胜率，防御性较为突出。
右边的气泡图横轴计算过去3年指增产品的行业占比相对于基准的高低配程度，代表行业偏离度，纵轴代表产品两期行业分布的变化情况，代表行业轮动的程度。气泡的大小则代表该产品目前的基金合计规模。从图上可见，兴银、建信和创金合信等中小型管理人发行的中证1000指增产品相对在行业轮动和偏离上更为激进。
图26：中证1000指增行业偏离度vs行业轮动度(%)
资料来源：Wind、利得基金，数据截至2023年09月19日
横轴计算过去3年指增产品的成分外个股的占比，数字越高代表代表产品的个股偏离度越大，纵轴代表产品在个股选择上获取的超额收益。气泡的大小则代表该产品目前的基金合计规模。
所有中证1000指增产品近3年仅一只产品未能取得正向选股超额，且产品间的超额差异相对中证500较小。其中，万家、博时、工银瑞信、国君资管和中信建投五家的个股选择收益相对较高。
图27：中证1000指增个股超额vs个股偏离度(%)
资料来源：Wind、利得基金，数据截至2023年09月19日
公募量化指增适配于中小市值占优的行情，同时在市场缺乏增量资金、投资主线不显著，以及行业轮动和资金博弈的环境中具备显著的投资性价比。同时在震荡市及熊市中的防守能力较强，在全面牛市中的进攻能力难以拔尖。超额收益主要体现在选股能力上，行业偏离能够贡献阶段性超额，但拉长时间看并不显著。沪深300的选股超额主要来自于高端制造、消费服务（家用电器、食品饮料），资源周期等公募较为擅长的大盘成长风格，中证500来自于高端制造、化工、煤炭和石油石化等资源品，中证1000则来自高端制造和生物医药。
具体产品选择上，被动量化跟踪不同宽基、行业和SmartBeta指数，以紧密跟踪和工具型配置获取基准β为主，跟踪误差可控。量化指增跟踪不同宽基、行业和SmartBeta指数，适度偏离并希望获取一定稳健超额收益。主动量化以选股的宽度和广度取胜，适配风格及行业轮动的市场环境，不同子策略适配不同市值风格环境。前两者适用于β观点明确的投资者，主动量化则是将选择权交给了基金经理。
站在当前时点，从宽基β角度来说，主要宽基指数的历史相对估值依然处于底部附近。 当前中证 500 和中证 1000 向上的空间比向下的空间要大很多， 历史估值分位数是所有主要宽基指数中最低的，目前投资性价比高。而从中小市值挖掘选股超额α方面，量化策略具备优势。公募基金整体表现走弱，风格切换下量化投资依然可为。 在市场轮动、热点分散的环境下， 量化相较主观权益多头产品更有优势，具备对快速轮动市场的捕捉能力，更能适应不同的市场风格。同时，量化指增产品与主动管理产品的历史相关性较低，可以在组合中有效增加收益来源，并通过分散标的来提高组合的稳定性。值得注意的是，量化产品对于交易的要求较高，规模增长可能降低产品的超额收益。
综合定量方面长短期超额收益及其稳定性，以及定性调研方面的投资框架、研究实力等维度，并结合规模、限购情况、管理时长等因素，筛选出以下优选宽基指增产品：
资料来源：Wind、利得基金，数据截至2023年09月19日
沪深300：超配红利因子，淡化估值因子，超配反转因子（低配动量因子）均适配今年存量博弈的市场环境。同时低配流动性和波动率因子，说明倾向于选择换手较低且波动较小的成分股。指增产品超额分化不显著，优选基金更关注其稳定性及团队实力。
中证500：超配红利因子，显著低配波动率因子，提高对高股息稳定类资产的配置。
中证1000：大幅低配基本面方面的质量因子，并进一步在中证1000的基础上下沉市值，同时高配流动性因子捕捉交易机会。
资料来源：Wind、利得基金，数据截至2023年09月19日
基金经理在Alpha 量化对冲策略、指数增强以及事件套利策略等方面有独到且深入的研究，是国内较早将机器学习技术应用到实战投资的量化投资经理之一， 基本面和量化相结合， 传统机器学习和深度学习双轮驱动，追求纯正阿尔法。基金经理具有工匠精神，在量化投资领域有独到的理解，业绩表现稳定靠前，适合作为权益底仓配置。
投资理念是选股模型寻求基本面和技术面共振，高频占比约7成，基本面占比约 3 成。量化模型方面，传统机器学习和深度学习双轮驱动，目前传统机器学习约占60%，深度学习约占40%。
投资模型不是一般的多因子模型，而是会在择时、行业配置、选股三个层面上同时带入量化投资的因素。尤其是他的指数增强基金的产品，还会在打新、股指期货、融资融券、期权、可转债、配合衍生工具后其他方式等全面优化，争取在更多地方找到超额收益。
擅长的“AI+”，主要是利用人工智能科学的“技术”（比如机器学习、深度学习等），让模型自主完成“学习”，发现投资中的规律和亮点，进而再构成投资模型，最后获得高质量的投资结论。
基本面量化。换手率比较高的公募产品也相对同类较低，一年双边12倍，有的可能再低一些6倍，在这样的换手率下，基本面的因子占比更高，成长、估值和质量因子占比在8成以上。分域建模。深入研究特定因子在特定阈中的有效性，需要分域建模，先把某些股票投资上逻辑比较类似的分在一起，可能是根据市值或行业区分，再研究这个域内哪些因子有效。特色分域：成长（远期增速）、龙头（公募重仓）、周期（上游资源）和稳定（红利低波）。量化为舟、主观为舵。绝大多数时候依赖于量化做决策，特别是自下而上的选股及主题间的子行业轮动。自上而下明显的风格切换时会加入主观成分，综合主观判断弥补量化线性外推和样本量的不足，增加策略胜率。
超额收益：实盘的业绩阿尔法月胜率是79%，上行阿尔法做得更好，下行阿尔法做的一般。在牛市的时候和基准指数本身走牛的时候，阿尔法会更加出色。好处是站在三年的维度上，长期收益可以更高，并且更适合管理人阶段性指数的配置需求。
长城基金量化团队应用了基于深度神经网络和机器学习框架的因子挖掘系统。从过去私募和其他同行的情况来看，对于小盘这一类产品，因子挖掘、深度学习框架展现出较强的竞争力，这也在我们内部模拟中得到了验证。在广度领域，这套方法论的信息系数因子收益预测能力相对更强，预测的稳定性也有望更高。长城量化小盘也是采取同种策略进行管理的产品。总结来说，指数增强策略作为一个策略类别，它既能有望获取指数长期上涨的收益，又能力争获取到量化策略带来的超额收益，它的收益特征是比较吸引人的。
《利得公募量化策略权益基金的分析与评价》及更多量化基金定量分析及定性调研请联系利得研究院或对应机构顾问。
