营建“AI+”基本面量化投资体系——鹏华基金苏俊杰访谈录

原创基金经理英雄榜点拾投资

导读：在过去100多年全球资本市场的发展历程中，有一个重要的门派：芝加哥学派。其主要成员是在芝加哥大学任教的教授，他们信奉新自由主义经济哲学，诞生过一大批诺贝尔奖得主，是推动资本市场发展的重要流派。包括2017年诺贝尔奖得主理查德.塞勒、2013年诺贝尔奖得主尤金.法玛都是芝加哥大学的著名教授。

鹏华基金的基金经理苏俊杰，就来自于芝加哥大学的金融数学系。在芝加哥大学的熏陶下，苏俊杰把海外先进的投资思想，得以更好的和国内资本市场的特征相结合。在苏俊杰的量化模型体系中，既有海外常用的多因子基本面量化，也有在A股市场比较有效的高频量价因子。为了更好获得多维度的阿尔法来源，苏俊杰率团队构建了一套在公募主动量化领域比较独特的AI+基本面量化模型。通过人工智能更高效进行海量的数据挖掘和信息合成，再结合成熟的基本面因子体系，形成了机器算法和主观逻辑的互补。

我们以时间维度做切分发现，量化私募主要聚焦在短时间维度的高频交易模型，主动增强的量化公募主要聚焦在中长时间维度的低频基本面因子。而苏俊杰通过基本面和AI的结合，投资策略涵盖了中高频策略、中低频策略和低频策略，只有不太适合公募基金的日内高频交易不做覆盖。这也帮助他的量化策略具有更广泛的阿尔法覆盖面。

从结果看，苏俊杰管理的指数增强产品有着很高的信息比率。信息比率是海外衡量一个产品投资能力的最核心指标，意味着基金经理要在控制相对基准的跟踪误差条件下，最大化超额收益。以鹏华量化先锋为例，2021年相对中证500取得了10.75%的超额收益，跟踪误差在6%内，信息比率高达2.05。2020年到2022年一季度末，累积超额收益28.91%，跟踪误差只有5.46%。

数据来源：Wind；数据截止：2022年3月31日

从超额收益曲线中，我们看到鹏华量化先锋并没有呈现出很高的波动和回撤，整体相对中证500体现出比较稳定向上的特点。超额收益的稳定，也体现出苏俊杰投资框架的可靠性。

数据来源：Wind；数据截止：2022年3月31日

过去几年，量化私募的崛起得益于市场对指数增强产品需求的爆发。事实上，从数据结果看，苏俊杰管理的公募基金产品，无论是超额收益的幅度还是稳定性，都比绝大多数量化私募更好。更重要的是公募基金费率更低，更透明，是一种对持有人来说更好的产品。特别是量化私募依赖的高频量价策略遇到规模瓶颈后，苏俊杰的多策略体系能带来更大的容量，也通过策略的均衡控制超额收益的回撤。

过去200年来，经济发展的核心是通过科技创新不断提高劳动效率。苏俊杰对人工智能和算法的拥抱，也大幅提高了公募基金领域主动量化的生产效率。

以下，我们先分享一些来自苏俊杰的投资“金句”：

1. 我们的投资流程，由于结合了数据和模型，更像是一个系统化的工程

2. 我们的多因子模型，是一个比较综合的体系，我们定义为AI+的基本面量化体系，融入了人工智能算法、基本面质量、基本面动量、基本面预期

3. 我们做量化组合的时候，都有一个最大化目标函数，我的目标函数就是最大化信息比率（information ratio）

4. 我们在传统的基本面因子基础上，加入了更多高频量价和另类数据，使得模型的稳定性更强

5. 我们经历了两轮牛熊切和4-5个风格切换，每一轮切换的过程，都是很突然的，不会留给你太多时间转向

6. AI能够提供更多额外的阿尔法，在因子合成、特征提取的效率和维度上，比人工做更有优势。从因子的效果看，AI机器挖掘出来的因子和人工提取的因子，都有一定的有效性，但是两者的相关度比较低

7. 财报季有大量的基本面信息披露，再伴随着预期的变化，这时候围绕基本面信息的模型，能给我们带来更多的阿尔法

8. 策略的拥挤，意味着获得超额收益的代价会更高，高信息比率的产品更难拿到，需要我们付出更多的努力

9. 对于普通投资者来说，要精准把握波动是非常困难的，最好的方式就是定投，通过定投微笑曲线，享受到指数增强产品相对宽基指数的增强收益，长期下来获得的收益是比较好的

量化投资是一个系统化的工程

朱昂：作为一名量化基金经理，你是如何看待投资的？

苏俊杰 首先，对于一名量化基金经理，我们会把投资看作一个系统化的工程，更多从数据角度出发，提取数据背后的特征，构成我们的投资策略，最后落到交易执行。我们的投资流程，由于结合了数据和模型，更像是一个系统化的工程。

其次，量化投资在做组合管理的时候，和主观投资的基金经理有一个比较大的区别，我们会把投资中的几个要素，通过模型进行量化。包括收益、风险、成本、时间等要素，都要通过模型进行清晰的刻画。我们会对每一个投资要素进行建模和策略化。

第三，我们和主观投资的基金经理还有一个很大的区别，始终把风险和收益放在一起进行考虑，最后追求的是风险调整后的收益，希望得到一个极致的风险收益比。在做组合管理的时候，我们可能更侧重在风险控制的环节，并非去博取多么高的收益。我们内部有一个相对收益的打分排序模型，包括我在内的所有人，平时很大的精力都在这个环节的研究。

最后，我们的投资目标是追求长期稳定的超额收益，那么一方面要准确预测阿尔法，另一方面也要把风险控制做好。我们会对行业、热点、回撤等方方面面的风险因素进行重新定义。

朱昂：无论主动还是量化，超额收益通常来自对EPS的把握和对估值的把握，你的超额收益来自哪个部分？

苏俊杰 股价的波动无非就来自这两块，要么赚估值的钱，要么赚EPS的钱。我们会把这两部分收益来源做拆分。

对于赚估值的钱，我们在业绩出来之前，会有对真实业绩的预期，这个预期会推动股价的变化，也就是估值的波动。通常业绩增长有一定波动的公司，比较适合去赚估值的钱。对于赚业绩的钱，更适合稳定增长类的公司，盈利质量比较高，估值波动没那么大。

这两块赚钱的方式，在我们的多因子模型中都有所体现。我们的多因子模型，是一个比较综合的体系，我们定义为AI+的基本面量化体系，融入了人工智能算法、基本面质量、基本面动量、基本面预期。基本面质量是赚EPS的钱，基本面动量和基本面预期是赚估值的钱。随着市场阶段的不同，阿尔法的来源也会不一样。

我以新能源行业为例，去年大家看似在新能源行业赚到阿尔法，其实更多是赚了估值的钱，因为业绩都还没有释放。到了今年的二三季度，随着新能源企业的业绩释放，阿尔法的来源就变成赚EPS的钱了。所以我们看到，即便是同一个行业，在不同阶段收益的来源也不同。一个好的模型，是能捕捉到不同阶段的阿尔法来源。

最大化目标函数：高信息比率

朱昂：你的信息比很高，意味着用比较小的跟踪误差，获得了比较大的超额收益，这是如何做到的？

苏俊杰 我们做量化组合的时候，都有一个最大化目标函数，我的目标函数就是最大化信息比率（information ratio）。要把信息比率最大化，涉及到两个部分：超额收益和跟踪误差。简单来说，我们要做到不损失太大阿尔法的情况下，控制跟踪误差。

要做到这一点，需要我们对超额收益的把控更加精准，同时也要把组合的风险层面控制好，不要有太大的偏离度。除了我们传统的风格、行业、个股权重的风控手段外，我们还有一套风险模型，把行业进行更细致的划分，对超额收益影响比较大的细分行业，也进行一些控制。

我还是以新能源为例，新能源这个大板块里面，又分为光伏和电动车，它们在不同阶段的阿尔法表现是不一样的。可能这一段时间光伏表现更好，到了下一段时间新能源车表现更好。所以，我们会对细分的二级行业做一定的中性化控制，使得用比较低的跟踪误差实现阿尔法。

除此之外，我们还用Barra的风控模型和鹏华基金内部的行业分类体系相结合，进一步降低跟踪误差，把我们的策略进行均衡化。

大家看到的跟踪误差比较小，组合回撤较小，都是结果，背后就是我们追求信息比率最大化的理念。

独特的AI+基本面量化框架

朱昂：超额收益的稳定性是怎么做到的？

苏俊杰 前面提到，我们这套框架有一个鲜明的标签：AI+的基本面量化框架。

首先，基本面多因子框架主要是基于企业的三张财报，加上分析师的信息预测。我们会在这些信息上，进一步做更深入的挖掘和更细致的因子构建，把原来的基本面多因子体系不断完善。在信息榨取的过程中，提升阿尔法因子的质量。

其次，我们会不断拓展新的阿尔法来源，比如量价数据、高频数据、ESG数据、产业数据、舆情数据等等，这些新的数据已经慢慢融入到我们整个模型中。我们以量价模型为例，过去我们的量价模型都是偏中长期的月底数据，现在把频率提高到双周和周度的换仓模型。我们还拓展出了日内的高频数据，包括五分钟级别、一分钟级别、三秒的切片等等。把这些数据因子化后，从中提取出我们的阿尔法因子。

我们再以ESG数据为代表的另类数据挖掘为例，今天越来越多的公募基金都开始拥抱ESG的数据。我们也能通过对ESG数据的挖掘，优化量化模型。比如说一些新闻舆情，我们内部会有一套爬虫软件，去爬取外部的舆情数据，通过人工智能的技术和算法提取正面和负面的信息，运用到我们的阿尔法模型中。

为什么我们的框架叫做AI+的基本面量化？一方面是，我们在传统的基本面因子基础上，加入了更多高频量价和另类数据，使得模型的稳定性更强。另一方面，在构建模型的理念上，我们是用机器化的因子挖掘。

我们以量价因子的挖掘为例，还会采取机器学习和一些非线性的算法，但是在模型合成的时候，采用一个相对偏线性的做法，使得我们的模型有一个更加清晰的业绩归因。在每一个因子角度，我们会花很大的力气做到精益求精。

通过这种方式，我们的模型层面不要太复杂，因子层面做到优化，长期来看就有望实现比较稳定的超额收益。

最后，和我个人追求均衡的理念有关。许多投资者和我交流时，都非常关心基本面因子和量价因子的占比情况。比如说，基本面因子中的成长、价值、分析师预测等指标，分别占到多大的权重。我们还是一个比较均衡的理念，从2014年管理产品至今，也有超过8年的时间，经历了两轮牛熊切换和4-5个风格切换。每一轮切换的过程，都很突然，不会留给你太多时间转向。

这样的经历，慢慢形成了我们比较均衡的模型构建理念。均衡的好处是，当风格切换的时候，我相对市场能保持比较小的回撤。因为我的模型是均衡的，有一部分模型可能无效，但还有一部分模型是有效的。通过均衡的方式，能确保超额收益的稳定性。

当然均衡的模型，也会有所牺牲。我的trade off，就是在一些极致的市场环境中，未必能跑得特别靠前。但是拉长时间看，我的超额收益可预期性也比较稳定。目前，我们基本面因子和量价因子占比，差不多是六四开的状况。

我们在基本面因子和量价因子的内部，也是均衡的。比如基本面中的盈利动量、估值类因子、分析师预期都会有所运用；量价因子的长周期量价和高频量价也都有。

朱昂：你把人工智能也加入到了多因子模型中，这个能否展开谈谈？

苏俊杰 我们一直以来的观点是，AI能够帮助我们优化模型的表现，需要主动拥抱新的技术，并找到更适合AI发挥的领域。

我自己最早接触多因子模型体系是在BGI工作的时候，从2014年开始管理产品至今，也证明了BGI的这套多因子模型体系，能够在主动量化领域做出不错的超额收益。但是从2017年开始，市场风格变得越来越极致，那一年是极致的核心资产风格。这让我感觉到，单纯的基本面因子模型，会有周期性的回撤，波动也会比原来有所增加。这让我们意识到，需要不断拓展新的数据源。

在这个过程中，我们慢慢发现AI能够提供更多额外的阿尔法，在因子合成、特征提取的效率和维度上，比人工做更有优势。从因子的效果看，AI机器挖掘出来的因子和人工提取的因子，都有一定的有效性，但是两者的相关度比较低。这就能够产生额外的阿尔法效果。

我们目前有8个专职的研究员做因子，这些研究员在刚进来的前两年，创造力是很旺盛的，之后思想会有一些老化，包括我自己在内，边际的产出效率就会降低。通过运用AI人工智能算法，能够在一些数据量比较大的领域，帮助我们挖掘到新的有效因子。特别是在量价因子上，数据量很充裕，运用AI的方式效率就很高。

在AI人工智能算法的帮助下，我们的量价因子数量上得很快，已经达到了3000到4000个因子，充沛的因子数能够满足相关性的考核。我们要求新入库的因子，彼此之间的相关性不能过高。

回到一开始的第二个话题，我们到底赚什么钱？量价因子的本质，还是赚估值的钱。我们还是以去年的新能源行业为例，基本面还没有反应的时候，预期先行。通过对量价因子的把握，能捕捉到市场的演绎。

有了AI的辅助后，极大扩充了我们在量价因子的维度，再结合基本面因子，就能带来更多的超额收益来源，模型也变得更加稳定。

历史会重复，但不是简单重复

朱昂：多因子模型通常面临一个问题，历史收益未必代表未来，如何避免这种风险的发生？

苏俊杰 确实，量化大多是基于从历史数据中提取的一些特征，进行规律总结。我们的一个理念是，历史是会重复的，但不是简单重复。一方面，周期性的特征会不断重复，另一方面，市场在不断发生变化，导致历史不会简单重复，一些历史的规律会慢慢失效。

体现到我们的模型中，我们要理解一些历史表现很好的阿尔法因子，在某个阶段有效性会大幅减弱。可能这个因子过去类似于一种套利的模式，能够非常稳定输出阿尔法，但随着市场的成熟，就会出现回撤。

所以，因子的更新换代也是必然的过程，我们许多的阿尔法因子都经历过切换。很多原来很好的阿尔法因子，现在已经被淘汰了。我们要适应不断变化的市场。

其次，我们要不断拓展新的阿尔法来源，从不同的数据源去获得新的阿尔法，以弥补随着市场效率的提升，一些因子变得无效。有些历史规律不会再简单重复，也有些历史规律会有周期性的重复。即便重复，也有很大的波动性，而这种波动性在某种程度上可能是我们无法接受的。

最后，我们也需要更好认识到因子波动的原因，在能够接受的风险维度去使用这些因子。我举一个例子，价值因子的周期性波动是很明显的。在2016年之前，价值因子在A股的工作效率并不高，但是到了2016年之后的连续三年时间，价值策略变得非常有效。到了2019和2020年，价值因子又不是特别好。再到2021年后半段重新变得有效。

长期看价值因子是有阿尔法的，但是周期波动太大使得这个因子的使用性价比在降低，有时候对模型也会有所挑战。对于我来说，尽管波动很大，但我还是会把价值因子纳入到模型中，因为在承受了一定的波动后，能够给我更高的风险补偿。当我们对价值因子有了更透彻的理解后，就会周期性的使用，在适合的时候给更高权重，在不适合的时候减少配置。

对于任何人来说，边际获得阿尔法的难度都不断增加，市场定价效率的提高，对于所有人来说都是一样的，获得超额收益的难度也是公平的。我们需要不断投入到研究中，结合正确的理念支持，去获得超额收益。

朱昂：为什么超额收益会在财报季更显著？

苏俊杰 我们的模型主要架构，还是围绕基本面的信息，财报季有大量的基本面信息披露，再伴随着预期的变化，这时候围绕基本面信息的模型，能给我们带来更多的阿尔法。A股的财报披露，又是一个有规则的集中披露阶段，这时候就体现在更多的超额收益。

还有一点是，当市场交易活跃的时候，我们的阿尔法也会更多一些。这时候说明市场有更多定价不合理，过度反应的的地方。在财报季的时候，市场也会比较活跃。这些因素交织在一起后，体现了这个阶段更多的阿尔法。

因子权重根据宏观环境做动态调整

朱昂：如何分配不同类型因子的权重？

苏俊杰 我们把整个因子，根据底层逻辑分为9大类。第一层是大类因子，包括价值、成长、动量这些，会根据长期历史表现，由量化投委会给出一个权重的中枢。这类似于战略资产配置，给出各类因子的锚定。第二层类似于战术资产配置，根据市场的变化，对每一个大类因子都有一个调整的机制。基金经理也有一定权限上调或者下调因子权重。我们内部会每两个月开会回顾各大类因子表现。

再往下涉及到几十个，上百个小因子，我们先使用数据层面做区分，再按照逻辑层面做第二层区分，形成几个不同的类别。再根据相关性、表现、给予一个动态的权重分配。

朱昂：关于因子的权重如何调整，能否举一个例子？

苏俊杰 我们对因子权重的分配，更多是基于历史数据，但战术性的权重调整，也更偏主观一些。我们以2020年为例，这一年疫情发生后，我们注意到美联储大幅释放流动性，因此就降低了价值因子的权重。这一年市场的风格，一直在成长这一块，整个大盘成长股风格演绎了1年的时间才进行调整。

在2021年的年中，我们又把模型的价值因子权重提上来，调整到了一个长期的中枢位置。这一年在“茅指数”下跌的过程中，微观结构出现了破坏，资金流入发生了变化，也相应对因子权重做出了调整。

成熟的量价因子研究

是公募量化中的竞争优势

朱昂：国内量化投资规模变大，会不会变得拥挤？

苏俊杰 这个现象已经在发生了。去年私募量化规模爆发式增长，日内高频的量化占到成交量很高的比例，量化策略的拥挤已经成为了一种常态。原来私募量化和公募量化各玩各的，都发现各自赛道很拥挤后，进入了对方的领域。私募量化在规模变大后，从原来的高频量价模式中，也纳入了基本面因子。而公募量化也从之前的基本面因子为主，把量价融入到高频和算法中，进行融合。

策略的拥挤，导致大家尽量让自己的策略，在市场中处在比较独特的位置。从拥挤的角度看，去年9-10月达到相对高点，许多中证500和中证1000的指数增强产品都出现了回撤，某种程度也是一种出清的过程，包括原来一些特别拥挤的策略规模，也出现了回撤。

我觉得策略的拥挤，意味着获得超额收益的代价会更高，高信息比率的产品更难拿到，需要我们付出更多的努力。

朱昂：量化机构非常多，大家框架差不多，你的优势是什么？

苏俊杰 我们的优势是更加均衡。大家都有基本面多因子模型，也会用到量价因子，但真正做到不同市场环境中，各类因子都均衡的机构并不是那么多。这个需要一定的理念支持，也对模型的更新频率，有比较旺盛的需求。我们在2017年之前，总共只有6大类因子，现在有了9大类。策略本身在当下如何表现，没有那么重要，关键是不断的迭代。

我们也是公募基金中，比较早研究和运用高频量价数据的机构。在量价因子研究和使用的成熟度上，是比较靠前的。

定投是最适合指数增强的投资方式

朱昂：你个人投资生涯中，有什么飞跃点或者突变点？

苏俊杰 变化比较大的是2017年，之前的量化投资一直比较顺，即便经历了2015年市场的大幅波动，从阿尔法的角度看，还是没有遇到过太大的困难。在2017年之前的市场，有效性不高，阿尔法来源很多。

2017年之后，市场发生了很多变化。在告别了杠杆牛市后，市场变得更加理性，热度也没有之前那么高了，大量的外资开始进入，中国资本市场纳入到了全球MSCI的体系中。这些变化，让市场底层的定价逻辑，发生了一些变化。从原来炒作小股票、新股票，变成向核心资产的风格切换。

过去在策略中暴露小股票是阿尔法，在2017年变成了拖累。我们的模型在这一年的三季度开始表现不太好，也让我思考在一个进化的市场中，定价效率不断提升，如何去保持模型的阿尔法。当时的结果是，去纳入更多的阿尔法来源，也是从2017年开始，我们引入了机器学习和量价模型，在这些领域做一些尝试。

2017年也为之后的AI+基本面策略做了储备，当之后基本面因子有压力的时候，我们研发的AI模型能带来量价因子的超额收益。

朱昂：最后有什么建议能给个人投资者吗？

苏俊杰 首先，普通投资者要选择适合自己的宽基指数，把产品的贝塔选好。我们的指数增强产品有不同的贝塔基准，投资者先要知道自己选了一个什么样的贝塔。

其次，我觉得定投是最适合普通投资者的一种方式，尤其是对我们这类指数增强的产品。长期来说，宽基指数肯定是上涨的，因为挂钩的是宏观经济的发展。在上涨的过程中，宽基指数会出现很多波动，主要是由估值引起的。

对于普通投资者来说，要精准把握波动是非常困难的，那么最好的方式就是定投，通过定投中的微笑曲线，并且还能享受到我们产品相对宽基指数的增强收益，长期下来有望获得较好的收益。

最后，许多人或许会把ETF指数基金作为一种交易品种。但我觉得指数增强的产品，应该用配置的心态做长期投资，不要用交易的心态买基金。