全市场量化选股策略“开门红” 头部量化私募持续发力策略创新

　　今年以来A股市场持续震荡，个股的极致分化表现进一步推升了市场的赚钱难度。作为头部量化私募重点研发推出、个股筛选更灵活的全市场量化选股策略，也交出了今年上半年的成绩单。整体来看，上半年该策略基本实现“开门红”。不过，业内人士提示，对于该策略的优劣势和超额收益情况，投资者应当有理性认识和合理预期。整体而言，在行业竞争加剧、投资者需求趋于丰富的背景下，未来量化策略的研发创新预计将继续向广度和深度扩展。 全市场量化选股策略适应性较好 “今年上半年整体可以说是头部量化私募普遍推出全市场量化选股策略之后的第一个半年度完整实盘，从行业层面来看，今年这个策略赛道整体表现要优于中证500指数增强策略表现。”上海某券商渠道人士向中国证券报介绍说，从投资者角度来看，全市场量化选股策略的市场认可度较2022年有一定提升。 从第三方机构的数据统计来看，来自朝阳永续的监测数据显示，截至6月末，主流全市场量化选股私募产品上半年的绝对收益普遍在7%以上，平均值达到13%，显著好于A股主要股指的同期表现。 对于上半年的成绩单，千象资产相关负责人认为，上半年大部分“规模以上量化管理人”的全市场量化选股策略表现较为亮眼。总体来看，在上半年行业轮动频繁、市场环境复杂的情况下，大部分全市场量化选股策略运行情况优于传统的指数增强策略，展现了更好的市场适应性。 念空投资董事长王啸称，今年上半年全市场量化选股策略绝大多数实现了正收益，对投资者提供了比较好的持有体验。从该机构的策略运行来看，在3月中旬之后，随着市场波动率的放大，行业和热点有序轮动，公司量化选股产品净值迎来了一轮较好表现。 此外，蝶威资产研究总监濮元恺进一步强调，今年上半年A股市场整体较2022年出现复苏，对比中证500指数增强策略，全行业中证1000指数增强策略表现更为突出，这也显示出全市场选股的灵活性优势，对市场成长风格机会能够更好进行把握。 优缺点同样鲜明 值得注意的是，尽管上半年全市场量化选股策略表现相对突出，但多家受访的一线量化私募也强调，这一策略的优缺点较为鲜明，不应过度放大其策略优势或对其片面贴上更高收益的标签。 王啸表示，全市场量化选股策略模型的优势是持股分散，所有行业都会买，而且通常都是满仓，不会出现踏空或者在某一种风格或某一个行业上有押注式的暴露，因而会更善于捕捉行业轮动带来的结构性行情。但这类策略的缺点也不应回避，特别是在市场风险偏好较低、交投清淡、市场波动率持续下降的环境下，可能表现就会比较平淡。 富钜投资首席投资官唐弢称，全市场量化选股策略主要具有两大优点：一是放宽了对行业、市值的约束，可以灵活调整持仓组合的风格；二是赛道的容量更大，竞争激烈程度相比主流宽基指数的量化指数增强策略更低，也有更丰富维度的超额收益。但其总体也存在两方面潜在劣势：一是放松了对基准指数的偏离度，产品净值有可能在某些行情下出现更大的波动和回撤；二是不同基金产品的业绩可能会分化，头部和尾部产品的业绩差距往往更大。 此外，千象资产认为，全市场量化选股策略的优势在于放宽了对后端选股的约束，使得超额获取的更多样化，拉长时间来看，获取更高超额收益的可能性更大。此外，由于后端行业、风格的约束更为宽泛，从理论上来说，对不同市场环境的适应度也会更高。从劣势方面看，该策略最突出的缺点主要在于，从长期来看，超额收益的波动性会更大，在策略风格上会显得比较激进。 策略创新仍有空间 从聚焦中证500指数增强策略的比拼，到各个策略赛道的竞逐，去年以来，头部量化私募在量化策略的创新上，展开了更多研发开拓。而在量化指数增强策略的超额收益可能逐步下降的背景下，目前国内量化投资的策略研发也有更多创新在酝酿之中。整体而言，面向投资者不同投资需求的策略线进一步丰富，如何拓宽收益，进行精细化的量化模型研发打磨，成为目前业内关注的焦点。 王啸称，目前国内量化策略的创新呈现二维创新趋势，分别是从客户风险偏好（高波动和低波动）和产品配置需求（对标不同指数的增强）两个维度。未来随着投资者对量化策略的认知越来越深入，以及金融衍生品持续推出，量化策略的发展可能会逐步演变为多维度的立体创新。 唐弢认为，量化投资策略创新整体呈现四方面趋势。一是在整体投资上逐步放松对指数偏离度、行业权重和市值的约束；二是通过使用衍生品结构改变收益风险曲线，获得资产回撤的安全垫；三是挖掘更复杂的另类数据和另类因子，拓宽收益；四是将人工智能（AI）等新技术在量化选股领域内快速“工程化”。 濮元恺也表示，随着国内量化投资逐步从小众走向大众，未来策略创新可能会偏向于选股更加灵活，中小市值股票的占比水平整体可能被推高，目前其所在机构正在积极为中小市值量化选股模型做准备。 千象资产进一步指出，从该机构当前的研发实践来看，目前国内量化投资创新呈现更复杂、更精细化的趋势。目前更多的数据应用，其一大关键趋势是“数据的颗粒更精细”，同时机器学习应用更广泛。特别是在今年以来各方聚焦的AI领域，只有通过海量多维的数据训练AI算法，才能从中有逻辑的捕捉优质数据，挖掘市场的真实规律。