中欧基金曲径：将科技和基本面结合的系统化投资体系

导读：过去10年对人类生活改变最大的就是科学技术。科技的本质是大幅提高劳动生产效率。数据技术已经不是一个单独的行业，而是为所有行业赋能的工具。资产管理行业也是如此。未来10年资产管理行业最大的变革大概率是来自科技赋能。

中欧基金的基金经理曲径就是这样一位拥抱技术的新时代基金经理。她将公司和行业的基本面逻辑抽取出来，通过数据回溯验证后，构建成一个投资系统。这个系统会帮助她来检测行业和公司的周期性与成长性，给出选股和行业配置的信号。

在这一套系统化投资的框架中，最核心是提取正确的基本面逻辑。曲径在建模前会访谈大量的行业专家和内外部分析师，并且将他们的逻辑用历史数据回溯，沉淀出有效并可靠的驱动因素。这需要对基本面有进一步的认知，并且能够将感性认知系统化。过去几年，曲径已经构建了包括金融、周期、消费在内的大部分行业数据图谱，并且从行业理解的角度构建了多层次的投资框架。

我们认为，系统的构建如同“滚雪球”一样，未来有很强的复利效应。通过系统能够不断将认知沉淀，并且不断优化这个系统，最终变成了一种强大的算法，帮助基金经理了解各种行业变化，捕捉到投资机会。无论如何，科技确实在改变资产管理行业，量化和基本面的结合也已经成为行业新的变革点。

以下，我们先分享一些来自曲径的投资“金句”：

1. 我们并不是量化投资，是基本面出发的系统化投资。我们用自己的数据系统进行基本面投资，定位介于被动因子投资和传统基本面投资之间

2. 系统就像一个探照灯，定期扫描全市场，发现被市场忽视的信息

3. 我们的投资，也是回到基本面的土壤上去做，先理解它、消化它，再将数据和基本面相结合，找到适应当前阶段的“科技赋能”

4. 我认为量化是一种工具，并不能被称作一种投资理念

5. 我们追寻投资的第一性原则，找到核心驱动力的源头，为此我们会花大量时间访谈研究员、行业专家，去学习和理解行业视角，然后放弃嘈杂的细节信息，只抓核心逻辑

6. 用平均数计算的一致预期净利润预测，并不体现卖方心中的正确预测，更不是买方心中的预期，那么用它构造的估值必然就是风险因子

7. 基本面量化是，每个人做出的盒子都是不同的，因为每个人对基本面理解的逻辑不同

8. 系统化投资的三个步骤：1）抽取核心逻辑；2）构建模型；3）让系统自动发送信号，其中最难的是第一步。要把行业的核心驱动力抽取出来，需要一些深度上的认知

基本面出发的系统化投资

朱昂：能否谈谈你们的投资框架？

 曲径  严格意义上说，我们并不是量化投资，是基本面出发的系统化投资。我们用自己的数据系统进行基本面投资，定位是介于被动因子投资和传统基本面投资之间。

我们都知道A股是弱有效市场，在各个交易周期上都有Alpha。量化私募已经用业绩证明了20日以下的中短期技术交易，可以有丰厚的收益；基本面基金经理研究更专注看得更深，持股集中，证明了中长期基本面选股具有Alpha。我们自己介于这两者中间，对比量化投资，我的基本面逻辑更清晰，去抓住权益投资的核心逻辑；对比传统基本面，我的投资覆盖更宽，过往胜率更高，但因为我们没有基本面那种对公司的前瞻信念，必然持股周期也不能到达他们的2-3年。我们这种系统化投资的框架，对应目标是1-2年的景气周期，因此对应的持股空间应当在3个月到1年。过去几年的业绩证明，对应这样的投资周期，A股也展现了弱有效市场的特征，挖掘了独特的超额收益。

再深入一点讲，相比于基本面投资，我们的优势是信息处理能力，以及对公司的广泛覆盖度。对于个股的研究深度上，我们比不上基本面投资。但是我们覆盖的行业足够多，持仓的股票也多，也能达到一个比较高的稳定胜率。我们这套系统就像一个探照灯，定期扫描全市场，发现被市场忽视的信息。主动管理的基本面投资基金经理时间和精力有限，他们的关注点也会有盲点。比如说过去两年大家都很关注白酒、医药、科技领域的投资机会，而另有许多行业的机会是比较被忽视的，我们通过构建一个信息系统，帮助我来监控更全局的变化。换句话说，我的系统就是我的哨兵。

相比于纯量化的投资，我们又更加基本面，所有的模型输出都建立在基本面逻辑的支持上，也会纳入更多的行业特殊数据和独特的选股数据，并不是完全依赖因子投资的模型。从不同投资方式的图谱看，我们会比纯量化投资更主动，但是又比传统基本面投资更系统化。

回观历史，当年高盛的Global Alpha规模做得很大，收益率也很高，堪称一个奇迹。我认为那个时代的基本面多因子就是一群聪明人把优秀投资者脑子里想的事情系统化了。比如说巴菲特要买低估值的公司，且公司要有经营壁垒。这个逻辑简化了就是 PB-ROE的二元模型。通俗而讲，多因子简易的模拟了优秀基金经理看待公司的视角。

美国当时的多因子为什么有超额收益呢？我认为在90年代到新世纪，因子投资在数据处理上确实有比较优势。当时大部分基金经理还是用Excel测算，而能够用上Oracle的数据库，把审计报告中的每一个科目，准确的放进结构化数据库。这在当时已经属于一种科技赋能，大幅提高了生产力。所以辉煌也是时代的产物，那一代的多因子投资人既懂些基本面，又有数据获取和回测的能力。

而站在今天，任何一个基金经理都可以用三方平台，一行代码都不用写，用鼠标点一点，就能做一个20年的多因子回溯。我们认为，因子投资已经不能完全算先进生产力了，最终会逐渐演变为风格投资。风格投资的不稳定性会导致有些年份赚钱，有些年份亏钱，最后可持续的超额收益就不多了。

我们再来回顾一下当年美国的多因子基本面量化是如何赚到超额收益的。核心就是抓住了两点：1）正确的基本面逻辑；2）数据处理系统搭建的比别人更快更好。我们的投资，也是回到基本面的土壤上去做，先理解它、消化它，再将数据和基本面相结合，找到适应当前阶段的“科技赋能”。如果过于看重每个因子的表现，闭门造车，就会出现只见森林不见树木，总是停在投资组合的层面，陷入越来越不懂基本面的局面。归根结底我们是在做权益投资，最终是要落实到个股和行业上的投资。

朱昂：你觉得量化投资和价值投资、成长投资的关系是什么？

 曲径  市场上有一种误解，经常把量化投资和价值投资、成长投资等理念并列在一起说。而我认为量化是一种工具，并不能被称作一种投资理念。这个工具可以拆解成各种各样的理念。就像读到同一条新闻，偏好博弈的人看到的是短期交易机会，长期视角的人看到的是行业格局的演化。最终我们做出什么样的模型，不仅依赖于技术能力，更多是投资理念、性格展开、乃至个人价值观的不同。

朱昂：也就是你们通过把基本面研究逻辑进行结构化处理，去判断行业和公司的投资机会？

 曲径  可以这么理解，很多时候基本面描述自己的逻辑，并没有通过数据验证。有时候和研究员讨论了一个逻辑，我们做数据验证后发现，这个逻辑只是最近这一次是对的。所以建模后呈现的结果仿佛很简单，就是抽取了几句话，其实背后我们可能验证了好几十套逻辑的修正。将逻辑串行并行，参数赋权，甚至一个逻辑推演里面，尝试换了几个数据替代后，才落地了真正的模型。数学建模是个技术活，会技术又有耐心去琢磨基本面的人不多。

将行业认知提取成可跟踪的数据

朱昂：能否谈谈你们的系统化投资流程？

 曲径  我们的系统化投资流程有三个步骤：

首先，我们要提取行业和个股的基本面逻辑。第一步是整个投资流程中最重要，也是最难的。因为行业逻辑的提取，是仁者见仁智者见智，每一个做投资的人都在想这个问题。我们追寻投资的第一性原则，找到核心驱动力的源头，为此我们会花大量时间访谈研究员、行业专家，去学习和理解行业视角，然后放弃嘈杂的细节信息，只抓核心逻辑。

比如说我们提取养殖行业的基本面逻辑时，基本上访谈了所有的卖方新财富分析师，把自己当作一张白纸，让他们用培训新员工的PPT来给我们上课。即便这样，我感觉研究还是太浮于表面，没有把握到真正的核心。当然，这是挺难避免的。人性决定了大家作决策时容易对近期的信息权重高，把80%的时间花在了研究最近的“变化”上；而最后，短期信息也许只贡献收益的20%，中长期的驱动贡献了收益的80%。于是我们决定我们重新回到“猪是怎么养的”这个第一性原理的问题上，访谈专家，抽取了核心周期逻辑，再进行数据测算和验证。在建模的过程中，我们抽取的是行业视角，我们最终建模用到的数据甚至包括豆粕和玉米的期货价格，这和PB-ROE等传统的因子视角是很不同的。

其次，我们会做回溯测试。“未战而庙算胜者，得算多也，未战而庙算不胜者，得算少也。多算胜，少算不胜，而况于无算乎。”回溯测试就是这个“算”的过程，回答的是这个问题：我们历史上打胜仗的概率高么？之前和做过产业经济学的朋友聊我们的研究框架，他给出了另一个视角，他说“回溯测试”这个词听着太玄妙了，在他们产业经济学看来不就是“实证研究”嘛。其实大家都是在做类似的事情，用数据和历史案例来“算”获胜的概率。

我们还是拿养殖为例，当前的龙头公司2014年才上市。那历史上2007年、2010年的周期怎么“算”？我们最后搭建了系统，去扫公司的资产负债表和损益表，重新定义历史上养殖的龙头公司，复原当时的情景，自行编制养殖指数。最终我们测算下来，对于历史上四次猪周期，我们系统的判断都是正确的。更有意思的是，我们看到的本轮猪周期的起点，和猪瘟没有太多关系，在2018年中旬就开始了，猪瘟更多是一个助推因素。我们有时候会开玩笑说：“农户散养其实就是钢铁里的地条钢”，因为抽取核心逻辑后，周期皆通。

最后，我们要把这些逻辑都写进我们的系统。我们的系统不是excel表格的方式，而是把这些逻辑都写进自建数据库，数据库会自动帮我去扫描数据变化，测算信号，发出操作指示，这大大节约了我们平时的时间，让我们能够把更多的精力投入到新的研究中。

系统化的优点是特别客观理性，同时覆盖广阔，能比较前瞻判断行业的拐点。比如说在今年7月初，我就收到系统自动发送的邮件，提醒我传统乘用车进入了可投资区间。当时，市场上的热点还是芯片、医药等，我们应该算较早的发掘了乘用车机会。当时，专门找到汽车行业专家探讨乘用车复苏的问题，有趣的是他们自己都对乘用车不乐观。这时候专家意见和我的投资系统产生矛盾了，于是我又把建模的历史信号拿出来回顾了一下，发现从2000年至今的20年历史上的一共9次超配信号，我们模型都是正确的。最终，我选择了信任系统模型，也获得了不错的结果。

数据的速度和质量带来超额收益

朱昂：关于超配汽车行业的案例，能否再展开讲讲？

 曲径  今年7月我们的系统就发出信号强烈看好汽车整车，后来8月也看到市场逐渐关注了乘用车板块。简单来说汽车是一个典型的消费周期股，供给和需求两边都会对行业产生驱动，导致汽车行业既有库存周期也有需求周期。

市场上大部分的汽车研究员，都会跟踪乘联会公布的汽车销售数据。这个数据有两个缺点：第一，数据是上市公司报给乘联会的，是“批发数据”，公司可以通过把汽车库存压给4S店而实现“虚高”；第二，这个数据是一个滞后数据，是第二个月才公告上个月的数据。

这个就像当年美国的多因子投资通过Oracle自动整理数据一样，他们在数据获取上有速度优势。对于我们来说，也需要在数据获取的速度和精准度上超越市场。我们会去尽量通过技术手段，找到代表汽车终端零售的高频数据，信号也就能更前瞻也更加精准。

所以大部分人是在8月份看到了汽车销量连续转正，确认了剪刀差的反转信号。而我们更早一点点把销售数据算清楚了，比市场确认的行业反转提前了一些。

朱昂：那么你们是如何对各种高频数据进行收集的呢？

 曲径  一方面我自己会通过调研和测试寻找一些数据，另一方面中欧基金的研究平台有一个智能研究团队，这个团队会专门采集数据，把数据进行结构化处理并且做IT开发，他们是做出一个数据的全集。我不是基于数据来回推行业信号的，而是先从基本面角度做数据的验证，因此最后不一定用得到全集数据，我可能就用到一两条核心数据。比如说汽车行业的逻辑，我会先用乘联会的数据验证过去20年的逻辑；在确认逻辑正确后，去搜寻更高效的数据，把这些数据迭代到我的模型中，这样我就会有比市场更左侧一点的信号。

较低的基准偏离度和较高的超额收益

朱昂：那么像这些对周期有比较深刻know how的行业，你这边覆盖了多少个？

 曲径  我们这边把所有的周期股、金融股，以及消费股等板块梳理得较好，最大挑战的在于成长股。必须承认，这一部分确实还在摸索中，不是我当前的强项。成长行业需要更多前瞻视角和行业判断，既要要看得深，又要看得准。未来这个成长角度更要依赖于公司平台，期望公司的深度研究能给我更多的助力。

朱昂：当你的系统发出了某个行业超配的信号时，你一般在这个行业上会下注多少比例？

 曲径  我用的是一个风险预算的方法。假设长期来看我们在选股上的超额收益年化做到15%，那么我在行业上的风险预算就不能吃掉这15%。如果把我们的产品抽象成一个固收+产品，那么这15%就是我们大概率能获得的固定收益，作为打底收益。我可能会在这个基础上拿出7%的风险预算去做行业偏离。同时，并不是所有行业都有这样的正负信号，最终需要和基准偏离的行业只有少数几个，那么单一行业的偏离度最终只能暴露3-4个点。

朱昂：也就是说，你非常看重对产品基准的跟踪误差？

 曲径  我们整体的跟踪误差控制很好，比传统框架下的指数增强还要低。我们的信息比率很高，今年500增强产品的信息比率快到5了。当然，今年是选股Alpha的一个大年，30%的超额收益确实也超过了我自己的预期，我认为可期的常态是年化15%左右的超额收益。

估值是风险因子

朱昂：哪些是风险因子，哪些是Alpha因子？

 曲径  关于这个问题，我们自己也一直在思考。我每个月都会拆解基金的风险暴露。Barra里面有一个风险就是earning，也就是PE估值（市盈率）。为什么估值是风险因子呢？因为这里用的是公司过去的盈利和未来盈利预测，这个未来盈利预测用的是卖方一致预期。但我们知道，用平均数计算的一致预期净利润预测，并不体现卖方心中的真实预测，更不是买方心中的预期，那么用它构造的估值必然就是风险因子。

如果我们能够把一个公司明年、后年、以及未来五年的盈利算清楚，再倒推计算今天的估值，这个数与一致预期的估值之间的预期差，就会在归因分析中落到Asset Selection（个股选择）那部分，而不会落到Risk（风险）那一栏，就会是Alpha因子。

无论是我们这样的系统化投资，还是传统的基本面投资，很重要的抓手就是对公司的未来进行判断，理解公司未来1年、2年、5年的净利润能做到什么样的水平，也包括到达曲线是个什么样子，再回过头来看估值，才是正确的估值。

朱昂：我们之前访谈过一些高频量化，由于高频市场的容量有限，也开始进入低频的基本面量化领域，这个会对你们的超额收益带来冲击吗？

 曲径  我觉得如果他们真的把基本面量化做好了，肯定对我们有冲击。但是基本面量化和高频量化不太一样。高频量化更像一个黑盒子，如果有人偷走了这盒子里面的逻辑，也能去开私募赚钱了。

而我们的基本面系统化投资，每个人做出的盒子都是不同的，因为每个人对基本面理解的逻辑不同。我们自己构建的模型，都会加入自己对行业的逻辑理解和判断。正因为每个人的理解和判断不同，构建出来的模型也是会各不相同。

胜率的关键在于把握正确的行业逻辑

朱昂：Alpha就是一种Edge（竞争优势），你认为自己的Edge在哪里？

 曲径  我前面讲过系统化投资的三个步骤：1）抽取核心逻辑；2）构建模型；3）让系统自动发送信号，其中最难的是第一步。要把行业的核心驱动力抽取出来，需要一些深度上的认知。我们的超额收益来源，还是在基本面的理解方面。

朱昂：你怎么看待量化投资在中国未来的发展？

 曲径  我觉得公募基金的量化投资会往两个方向走，一种是越来越向被动投资这条路走，最后变成风格产品，包括还会出现很多Smart Beta的基金，收费低规模大，也可以发展很好。另一种是像我们这样往基本面的方向走，试图通过人脑再创造一些阿尔法，做成一个系统化的投资。我们认为A股作为典型的弱有效市场，主动管理的Alpha还很丰厚，目前看指数增强过去每年能在指数上在增厚15%，对比没有收益增厚的ETFs，具有明显的吸引力。

朱昂：你的投资生涯中，有什么飞跃点或者突变点吗？

 曲径  我感觉自己的投资生涯没有飞跃吧，感觉自己的投资方式更像一头老黄牛，每天在田地里耕作。不过，从基本面的角度逐渐理解A股是我这几年最大的收获。过去我只会写代码，相对来说工作比较封闭。这几年我通过对基本面的理解，看到了一个不一样的世界，让我觉得很兴奋。“学习是人的天性”，我特别认同这一点，把逻辑弄明白给我带来了挺多成就感。

- end -