吴大哥娱乐网 热点 长城基金雷俊:量化投资再开新局

长城基金雷俊:量化投资再开新局

机构量化投资正处在变局之中,一方面在于机构与市场beta的逐步趋同,导致机构量化投资难以跑出优势;另一方面在于市场定价效率显著提高,传统量化使用较多的基本面因子收益逐步收窄。

自2004年中国市场推出ETF,19年的发展历程中ETF数量及规模不断壮大,大量资金流入ETF市场。ETF的快速增长显著提升了市场有效性,使得被动指数投资在资金驱动的市场中更具优势。逐年增长的被动型复制性产品吸纳了大量市场资金,机构投资者在大盘指数中的持仓比例提升,指数结构因此变得更加机构化。这意味着,机构战胜市场的难度变得更高。

在信息高效传输的当下,市场定价效率更进一步,很多信息可能发布不到十分钟,甚至在发布前十分钟就会被市场完全吸收。高效的市场环境中,信息差带来的红利逐步收敛,行业加速分化。在量化投资中,随着市场的充分定价,基本面因子定价效率也不断提高,使得因子收益有所下降。

挑战背后,我们依然捕捉到时代的机遇。量化投资仍有利好,第一点是投资广度的回归。从A股上市公司的结构变化来看,十年前大约有2000多家上市公司,而现在已经增加到5000多家,且市值普遍偏小。全面注册制实行之后,小盘股效应更加明显。从流动性角度来看,不管是专注于小盘股、微盘股还是某一细分领域的投资,量化都是适用的。

第二点是市值因子的回归。今年以来小微盘股表现较好,一方面是由于宏观背景,另一方面是由于新产业趋势及政策面利好。目前来看,小市值趋势或将阶段性持续。存量市场中,量化投资仍然可以捕捉到不错的短期机会。

第三点是AI的赋能。传统量化投资中,线性思维容易导致模型错失有效的因子收益信息,在因子的挖掘端和合成端都欠缺非线性思维。而机器学习则能很好地构建非线性模型,扩展到文本、图像等非线性数据的挖掘。在算力和数据充足的情况下,通过文本挖掘因子化和图像挖掘因子化,我们可以为量化投资带来新的赋能。同时,在深度学习的框架下,时间序列的模型更加丰富。因此,在AI赋能下,因子挖掘可以通过注意力机制和时间序列建模等方法增强收益,在非线性模型中与因子合成等其他环节形成收益互补,量化模型最终形成的系统中包含大量的非结构性数据,能够进一步扩充庞大的因子库。

2023年,我们在中小市值产品上全面拥抱AI,于变局中开新局。传统量化一般使用残差回归做风险控制和因子挖掘,而现在我们可以在网络结构的不同层中自由调整损失函数,以实现控制特定风险下的因子挖掘,力争描述端到端的因子和风险的投资机会。利用人工智能实现精细化,可以降低产品的相对波动,优化投资体验。

在量化投资中,深度学习等AI技术适用的市场是非常广泛的,相关的研究及应用也显著增加。对我来说,在哪个产品上运用AI赋能、如何让投资者更好接受,才是更大的考验。

注:随着市场行情等因素变化,以上观点可能会更改且不另行通知,基金有风险,投资需谨慎。