易方达基金明朗：以逻辑驱动的基本面量化

导读：2011年出版的《富可敌国》，第一次把多样化的对冲基金展现在大家面前。在这本书中，记录了索罗斯是如何阻击英镑的，老虎基金创始人罗伯逊的军事化管理，商品期货派的Paul Tudor Jones和Michael Steinhardt，以及当时已经名声在外的桥水基金达利欧。他们是上一个时代顶尖的对冲基金大佬。

十多年后，对冲基金几乎只剩下了一种模式：量化投资。从平台型的千禧年，到宏观量化模型的桥水，再到家族办公室模式的Point 72，量化正在成为海外对冲基金获得阿尔法最主要的手段。

而在中国市场，量化投资也在迅速崛起。为了找到一条合适的量化投资发展道路，明朗所在的易方达量化投资团队调研了一圈主流的量化机构，并结合国内市场和自身特点，将海外的中央型模式（centralized）和平台型模式（platform）相融合。

易方达量化投资团队吸收了中央型模式高效和分工的特点，整个量化投资从数据获取、清洗、导入、因子挖掘到组合优化等，有一套标准化的流程。统一的流程，提升了团队成员的工作效率。

另一方面，易方达量化投资团队又有平台型模式的创新和独立。团队内部形成了因子组和行业组，没有采用固定参数的统一标准。因子组更重统计，模型偏向中高频；行业组更重逻辑，模型偏向低频。两个小组既有研究的交叉，也有独立的分工。在团队内部，每一个基金经理会根据产品的特点，采纳不同的量化模型。

易方达量化投资有两个突出的特点：

1）背靠易方达基金的主动权益投研平台和金融科技平台，量化投研团队有强大的平台支持；

2）团队内部分为行业组和因子组，分别专注基本面量化和统计量化的模型开发，追求多元化超额收益来源。

作为量化投资团队的重要成员，基金经理明朗具有横跨中美的求学和工作经验。早年在美国读书和工作期间，明朗形成了从底层逻辑出发思考问题的特点。当时他在房地美工作，在回溯次贷危机的根源时发现，即使模型再复杂，次贷的本质还是对房价上涨假设的依赖。

后来，他习惯从第一性原理出发，理解模型的底层逻辑和适应性，致力于根据不同的环境选用合适的模型。比如，在“三条红线”出台前后，地产板块量化模型的因子有效性完全不同；又比如，高质量因子通常需要较优的经济环境做配合。此外，明朗及其所在的量化团队也会根据中国市场的特征，对海外成熟的模型做改良。

以逻辑驱动的基本面量化，这是明朗的投资方法论，也体现在其在管产品的投资策略中。比如易方达高股息量化选股（A/C：021049/021050），该产品既从红利标的业务稳定的基本面特性出发，构建符合红利逻辑的基本面因子；又从量化策略均值回复的交易特征出发，结合红利标的市场波动小的特性构建交易策略。又如易方达沪深300量化增强（110030），将量化统计与行业基本面研究相结合，利用行业模型进行因子挖掘。

在这样的方法论指导下，其在管产品取得了不错的业绩。Wind数据显示，截至12月15日，易方达高股息量化选股A自今年5月7日成立以来净值增长率达到15.77%，相对基准取得12.55%的超额收益，同期最大回撤仅5.08%；易方达沪深300量化增强年内收益20.04%，跑赢基准5.12%，同期最大回撤10.81%。

如果用第一性原理看明朗，他是一个具有求真探索精神的基金经理。即便有典型的理工科背景，也并不完全是数据驱动。他不认为历史一定会重复，相信所有的数据都与底层逻辑有关。只有理解底层逻辑的变化，才能在不同环境下为持有人贡献稳定的超额收益。

以下，我们先分享一些本文的要点：

1. 建模可以很复杂，但是在此之前一定要理解底层假设。

2. 模型归因真正拆解到底层逻辑后，才会知道如何去用模型，如何去改善。

3. 海外量化投资团队主要是两种模式：一种是Point 72为代表的平台型模式（platform），另一种是Two Sigma为代表的中央型模式(centralized)。

4. 易方达量化投资团队设置在主动权益板块下，融合了平台型模式和中央型模式，内部分为因子组和行业组。

5. 我们希望提供多个不同的阿尔法来源，既有个股选择层面的，也有行业和风格配置层面的。

6. 我们的目标是获得超额收益，这点和主动权益团队是一致的。

7. 在团队培养上，我们并不是让大家做“螺丝钉”，而是希望每个人有自己独立的想法，通过分享和碰撞为团队做出贡献。

8. 我们不追求构建长期有效的“印钞机”模型，而是要知道不同的环境下用什么样的模型。

9. 超额收益来源越是多样化，超额收益的稳定性就越强。

10. 老百姓对主动管理类产品的需求，即是在特定的Beta之上获得Alpha，这不仅需要产品保持清晰稳定的风格，也需要Alpha的可预期性强且波动可控。这些需求，都是公募量化产品可以努力满足的。

以自上而下的视角

对模型底层逻辑做归因

朱昂：你曾经在海外读书和工作，比如在密歇根大学求学，之后又在房地美从事建模工作，这些经历对你的投资思维会有哪些影响？

明朗我觉得海外的经历让我形成了一些不同的思维方式。我在密歇根大学读的是应用统计硕士，有一半的课程在其他学科上。期间，我选了很多商学院的课程，经常和MBA学生在一起上课。在这些课堂上，不同背景的同学之间会有很强烈的讨论氛围。

之后在美国工作的时候，我的老板经常和我开两个人的小会。每次他要布置一个任务给我，不是直接让我去做，而是先把彼此的想法统一。他会很清楚告诉我，做这个任务的意义是什么，能起到什么作用。更多是自上而下地审视整件事的价值及方法论。

落实到量化模型的构建，我会更关注模型背后的假设、底层逻辑、适用性等。我会先从自上而下的视角看待模型，再落实到模型的具体细节中。

朱昂：传统量化的底层思维，是相信历史会在未来重复，但是你在海外工作后发现“历史规律失效”的困境，那么你是如何对传统量化模型进行改善的？

明朗电影《大空头》里面有一个镜头让我记忆深刻：有一个看着有点书呆子（nerd）的建模者，用一大串很复杂的数学公式讲解MBS的构造。最后，美国次贷危机爆发，这一串复杂模型全部失效。

当年我去美国房地美工作已是金融危机之后了，但通过公司材料和与内部资深同事交流对次贷危机进行了复盘。MBS模型看似很复杂，其实数学公式背后是对房价假设的高度依赖。只要房价出现全面大幅下跌，就会破坏模型的历史规律。建模可以很复杂，但是在此之前一定要理解底层假设。

落实到我对模型的构建，需要先搞清楚底层假设是什么，有什么样的适应性。做了模型的归因后，我们才会知道如何去用模型，如何去改善。比如说，有些模型只适用于特定的经济环境，一旦环境发生变化，模型的有效性也会改变。

我还会做国内外模型的横向对比，找到两者是否有规律上的交集。通常有交集的部分，很可能是比较有效的长期规律。但是，如果某些规律只有国内有，海外没有，那么我会先打一个问号，再进一步对经济发展阶段、投资者结构差异、历史环境等做深挖，然后再判断国内独有的规律是否和这些因素有关。这些规律在过去能有效，是否和特定的宏观环境或投资者结构有关。如果某些底层因素改变了，这种规律也可能失效。

易方达量化投资团队：

融合中央型模式和平台型模式

朱昂：海外主动量化投资，经历了以AQR资本为代表的因子挖掘，到Arrow Street为代表的组合管理优化器模式，后者规模已经超越了AQR。能否谈谈易方达量化团队是如何迭代投资框架的？

明朗我们之前调研过40多家全球头部量化投资团队，以对冲基金为主，包括Point 72，Two Sigma等头部对冲基金。海外量化投资团队主要是两种模式：一种是Point 72为代表的平台型模式（platform），另一种是Two Sigma为代表的中央型模式(centralized)。这两种模式各有利弊，平台型模式能比较好发挥基金经理的创造力，中央型模式能提高团队的效率。易方达量化投资团队把平台型模式和中央型模式做了融合。

在组织架构上，易方达的量化投资部设置在主动权益板块下，部门内部又分为因子组和行业组，我是行业组的负责人。因子组的研究聚焦在数据统计上，模型也更升频；行业组的研究聚焦在基本面逻辑，模型相对低频；两个小组会有交叉协同的研究。

易方达量化投资团队的平台模式，不仅体现在分组上，还包括基金经理负责制。每个基金经理都会有自己的想法，并且会根据所管理产品的不同，选择不同的量化模块。比如易方达沪深300量化增强，由于基准指数沪深300的大盘股占比较高，基本面模型的权重会更高；而易方达中证1000量化增强，由于基准指数中证1000的小盘股占比较高，量价模型的占比就更高。

另一方面，我们又有中央型模式的特点。量化团队中的每一个成员，都会共同协作。在美国的对冲基金，平台型模式下不同小组之间是不做分享的。但我们采用的是统一的研究大平台，为不同基金经理提供各种策略。我们小组成员在交流分享的过程中，会产生许多火花。我们希望提供多个不同的阿尔法来源，既有个股选择层面的，也有行业和风格配置层面的。

朱昂：为什么易方达基金会把量化投资团队放在主动权益下面？

明朗我个人的理解是，量化团队在公司内部定位于主动投资。我们的目标是获得超额收益，这点和主动权益团队是一致的。另一方面，我们获得超额收益，也不完全依靠数据统计，还要懂基本面。因子研究和基本面研究之间，要形成协同效应。

举个例子，我们的量化模型是分域的，根据周期、消费、科技等不同行业的特性，形成更定制化的模型。毕竟每一个行业的特点不同，获取阿尔法的方式也就有差异。

个体独立、团队协同

兼顾高效和独立创新

朱昂：我们再具体谈谈两个不同的模式，易方达量化团队分别是怎么做的？

明朗我们有一套标准化的工作流程，从数据获取，数据清洗和鉴别，到数据导入系统，以及研究员会根据数据做因子挖掘，最后基金经理会根据产品需求选取不同因子，对投资组合进行优化。这一套工作流程，很类似于中央型模式(centralized)。

不同的是，我们的因子进出门槛，没有采用固定参数的统一标准。有些是多因子模型，有些是决策树模型。有些模型偏向时间序列，也有些模型偏截面。我们的研究员，不是一颗颗“螺丝钉”，而是要培养综合能力。我们的基金经理，在策略的选择上也比较独立，类似平台型模式（platform）。

打个比方，中央型模式比较类似福特汽车的流水线，每一个参数是标准化的；平台型模式比较类似独立运作的小团队。通过两种模式的融合，我们的团队即有高效性，又有创造性和多样性。

朱昂：为什么易方达量化团队能够把这两种模型结合在一起？

明朗客观来说，我们也不是占了所有的好处。海外对冲基金的生意模式，和国内的公募基金很不同。海外的对冲基金追求的是极致业绩，不需要扩大管理规模，因此能够在团队上进行“高换手”，谁业绩做得不好就换掉，相当于通过“人矿”不断去找新的想法。

而国内的公募基金是通过长期培养，挖掘每个人的潜力和智力产出。在团队培养上，我们并不是让大家做“螺丝钉”，而是希望每个人有自己独立的想法，通过分享和碰撞为团队做出贡献。

朱昂：中国市场与海外市场不同，量化投资如何适应中国市场的独特性？

明朗相比于海外市场，A股有两个比较大的特点。

第一是A股受政策影响比较大。比如说地产板块在“三道红线”出台前，量化因子的有效性完全不同。再比如，去年“9·24”之前和之后，市场有效的模型也不同。这就是为什么多因子团队和基本面团队要互相验证，形成统计数据和底层逻辑的一致性。我们需要知道，哪些因子在什么样的市场环境才是有效的。

第二是A股是一个多头（Long Only）市场，交易特点也和海外不同。比如说，反转因子在A股就比美国的有效性更强。

我们的量化模型会把这些特点做结合。更关键的是，我们不追求构建长期有效的“印钞机”模型，而是要知道不同的环境下用什么样的模型。

挖掘多元因子

让超额收益来源多样化

朱昂：在传统的多因子模型上，我们如何识别哪些因子永久性无效（比如说市场某些特征发生变化），哪些因子处于周期性的失效（比如说价值、成长因子都会阶段性跑输）？

明朗很多因素的变化，会导致某些因子的有效性大幅降低，甚至变得无效。比如说，一旦定价的投资者人群发生变化，因子的有效性就会改变。比如，对沪深300和中证A500这两个指数做增强，两个指数都是大盘宽基指数，随着越来越多机构投资者参与，“看图”因子的有效性大幅减弱。

还有一些因子，需要理解底层逻辑的假设。比如说高质量因子，需要相对比较好的商业环境来支撑企业的护城河。当宏观环境发生变化，高质量因子的有效性就会衰减。

此外，我们也看到Alpha因子的Beta化。最典型的是一批Smart Beta因子，这些因子长期有效，但会有比较大的阶段性波动。这时候，我们就需要在因子暴露上做一定的择时。我们团队有两名主动权益出身的研究员，通过“主动+量化”的方式，帮助我们做一些行业和风格的选择。

朱昂：具体是怎么做的？

明朗这就要上升到宏观量化的层面。宏观周期最大的特点是，统计性相对要弱一些，这就决定了逻辑的先验性很重要。逻辑中不仅要加入经济学家的数据，还要有一些行为金融学。有了清晰的逻辑后，我们再通过量化去验证。

朱昂：从归因分析看，我们不同策略的产品，超额收益主要来自哪些层面？

明朗首先，在指数增强产品上，我们对风格暴露的控制很严格。比如易方达沪深300量化增强跟踪误差在2%出头，比同类产品的平均要小。对于严控跟踪误差的指增产品，我们的收益基本上都是来自于选股。

其次，我们也会去挖掘一些风格配置和行业配置的超额。比如我们有些量化产品今年低配红利风格、超配成长风格。传统量化对风格和行业配置做得比较少，主要聚焦在Pure Alpha（绝对阿尔法）。我们觉得A股市场有其特殊性，能够在一些明显的规律中，赚到行业和风格配置的钱。

朱昂：市场对Alpha的争夺一直是很激烈的，量化投资也面临其他公募基金、私募量化的竞争，我们是如何保持在Alpha层面的竞争力？

明朗我们的公募量化产品，除了提供Pure Alpha，也会去找到Beta。前面提到的行业和风格配置，就是捕获Beta的一种方式。而Pure Alpha，本质就是和市场Beta没有相关性。

我们从因子组和行业组出发，尽量保持在自身领域的竞争力。比如数据端的来源，我们可以更丰富；算法端的投入和使用，我们可以更先进；主动逻辑的判断，我们和主动权益团队相结合。在投资流程的每一个环节做好，尽量形成Alpha层面的竞争力。

最后，超额收益来源越是多样化，超额收益的稳定性就越强。我们团队有不同策略和不同层次的超额收益来源，这也得益于公司平台的长期支持，使得不同团队可以在各自领域持续不断地积累竞争力。

以清晰的产品和稳定的阿尔法

为大众理财服务

朱昂：2022年开始，AI在量化投资开始被大量采用，能否谈谈易方达量化团队是如何运用AI来辅助量化投资的？

明朗易方达基金有一个比较大的金融科技团队，对于科技赋能投研一直是很重视的。我们的投研平台有许多AI应用，最简单的比如开一个会议，AI能自动生成会议纪要，许多不能参与的会议也能获得相关信息。AI的文本识别能力，能够大大提升我们获取信息的效率。

朱昂：在主动量化层面，易方达量化团队有什么样的多层次系统？

明朗主要是两个层面，一个是基础设施层面，包括公司在算力上的投入，建设的IT系统等；另一个是数据层面，除了传统基本面数据外，我们还有另类数据和非结构化数据。

朱昂：产品线打造也是量化团队的重点，能否谈谈易方达量化团队的产品线？

明朗我们提供三种类型的产品线：

第一类，偏向工具类的产品，比如易方达沪深300量化增强、易方达中证500量化增强等一些宽基指数增强产品。

第二类，长期稳定复利型的产品，比如易方达高股息量化选股等偏红利风格和价值风格的产品。这类产品，我们不会跟主动权益跑相对排名，更看重长期的绝对收益。

第三类，符合特定机构配置需求的产品。比如说，基于市场偏股基金构建量化模型选股的易方达量化策略，偏小盘风格的易方达易百智能量化策略等。

朱昂：我们研究过很多海外私募量化，大部分以“自营文化”为主，能否谈谈易方达量化团队，有什么重要的文化吗？

明朗专业分工、协同合作、公开透明。

朱昂：能否谈谈你是如何看待公募量化的发展前景？

明朗公募量化是公募基金的一类，都是为大众理财服务的，那么就需要围绕老百姓的理财需求构建产品。老百姓对主动管理类产品的需求，即是在特定的Beta之上获得Alpha，这不仅需要产品保持清晰稳定的风格，也需要Alpha的可预期性强且波动可控。这些需求，都是公募量化产品可以努力满足的。

- end -

按姓名首字母排序

上下滑动阅读更多内容

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | || |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

、 | | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | 银华 | 东方红 |

| | | | 东方红

中信保诚 | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | | 民生加银

|| | | |

| | | | |

| | |||

| | | | |

| | | | |

| | | | 中银 | 中信保诚

| | | ||

| | | | |

| | | 森 | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | 富国 | 农银汇理

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | | | |

| | |