02期
8月以来，以科技权重股为代表的主力军推动大盘指数节节攀升，但这样极致的风格却让不少量化策略遭遇挑战。量化策略的主要收益来源是什么？不同策略分别适应什么样的市场风格？当面对极致行情时，量化策略如何稳住超额收益？本期《中欧量化解码社》将为大家详细拆解量化Alpha背后的攻守道。
在量化策略的回报中，基准收益（Beta）只占小部分，超额收益（Alpha）往往是最终收益的主要来源。这也和A股市场的环境特征有关——Beta波动相对较大，而Alpha会随着时间逐日累积，长期来看会成为收益的主要来源。
那么不同的量化策略对应哪些收益来源呢？中欧基金量化产品体系目前主要布局三条Alpha产品线——分别是基本面指数增强、量化指数增强和基准增强。主要有三大低相关的Alpha来源——基本面方向的Alpha、价量因子的Alpha、端到端的模型预测出来的Alpha，这三类的Alpha来源各不相同，因此在同一市场环境下表现会有所差异。
以今年8-9月为例，市场呈现显著的“一九行情”，头部个股和其他个股涨幅差异巨大，而这种极端分化的结构对量化主流的价量因子构成挑战。因为价量因子大多基于各行业、各风格维度的反转效应构建。在当时的市场环境下，反转逻辑并未出现，取而代之的是基于短期动量的结构化行情。因此，采取传统量价因子、交易反转类因子的指数增强策略的超额收益遭遇一定回撤，而聚焦大盘股的基本面指增策略却能获取正超额收益。
但是，基本面指数增强策略也有它的逆风期。比如2022年到2023年期间，这类策略就较难从基本面前瞻角度选到未来一两年有机会且股价能兑现的个股。
总结来说，没有哪一类Alpha能在所有市场环境下持续占优，不同的策略在不同的周期都有自己的强弱势环境。
除了策略逻辑的差异，Alpha的另一个重要区分维度在于选股范围——是在指数成分股内，还是可以延伸至全市场。以中欧基金产品为例，量化指数增强和基准增强就体现了这一区别。一般公募基金的指数增强产品都要求投资于标的指数成份股及其备选成份股的资产不低于非现金基金资产的80%，这类产品的核心目标和超额收益来源，是力求稳定超越对应的指数表现，同时控制较小的跟踪误差。
相比之下，围绕基准做增强的策略，一般没有严格的选股范围要求，选股范围拓展至全市场，其跟踪误差容忍度也相应放宽，因此基准增强产品的超额收益及其回撤都会比较强势有弹性。
这也引出一个重要结论——Alpha的来源本身具有多样性，因此如果某个量化基金的因子过于单一，比如完全依赖基本面因子，那么它可能会在市场交易量较小、或市场不给基本面和未来景气定价的环境下表现相对弱势。
Alpha不仅来源于单一策略，更来自于不同策略的合理搭配。因此，面对多样化的Alpha来源，要获取中长期超越指数的回报，关键在于构建一个多元化的策略组合。在配置指增产品时，建议投资者对各类策略进行均衡布局，例如主动管理的指增、基于因子框架的指增，以及运用端到端模型的指增等。通过这样的多元配置，投资者才能更有可能获取相对稳健的累计超额收益，从而在中长期改善投资体验。
不同策略之间如何实现互补呢？从因子特性来看，大部分的基本面因子天然具有趋势跟踪的属性。因为股价对基本面变化的反映通常是渐进的，在一个中长期的周期当中，股价往往需要一个月、一个季度甚至更长时间才能完全体现上市公司的经营景气变化。
相比之下，量价因子则主要依靠捕捉反转信号。该策略通过多维度挖掘市场定价的非有效性，寻找具有补涨或反转潜力的股票，或对超涨个股进行低配，从而实现超额收益。因此，具有反转特征的量价因子与具备趋势跟踪特性的基本面因子形成了天然的负相关性。
由于这两类因子的交易目标收益的周期不一样，所以当它们在组合中并存时，反而能够相互对冲单一风格的风险，从而增强整体Alpha的稳定性。这是实现Alpha来源互补的重要机制之一。
此外，近些年逐步兴起的端到端模型，在引入海量特征进行深度学习之后，其产生的Alpha在日超额收益层面，与传统的量价因子和基本面因子都呈现出较低的相关性。因此，引入端到端模型有助于组合的收益表现更稳健；当更多类策略叠加进来，也有助于提升公募基金策略的整体容量上限。
除了策略层面的互补，产品设计本身也是控制Alpha波动的有效方式。例如，中欧部分产品严格限定在成分股内选股，虽然这可能会限制Alpha空间，但在极端风险环境下，它的回撤控制更好，适合追求更稳定表现的投资者。
面对极端行情，有效的应对方法首先是坚持多策略互补的框架，通过不同Alpha来源的对冲来平滑波动；其次则是需要保持耐心，等待模型自我适应与市场环境的转变。当市场进入调整阶段，超涨个股出现滞涨，滞涨个股开始补涨，Alpha机会便会重新显现。
量化模型本质上是基于历史数据来展望未来的预期收益，过多短期调整反而可能干扰模型自身的适应过程，错过了后续的Alpha反弹。因此，更有效的方式是搭好基础层因子，然后耐心等待。对于一个长周期有效的模型而言，当前的回撤反而会为未来的反弹创造更大空间。
在评价Alpha质量时，传统上投资者最看重的就是夏普比率和卡玛比率。在量化投资层面，夏普比率（超额收益/跟踪误差）衡量的是单位跟踪误差所带来的超额收益。从追求Alpha性价比的角度来看，我们希望以尽可能小的跟踪误差获取尽可能高的超额收益，这正是优质Alpha的特征——它不仅体现在收益的绝对值上，更体现在风险调整后的回报质量上。
不过从实际持有体验来看，投资者往往更重视卡玛比率。因为卡玛比率（超额收益/最大回撤）更能体现真正的持有感受。特别是在A股市场，卡玛比率对投资者体验的重要性甚至超过夏普比率，因此中欧量化团队在投资管理中也会更加注重这个维度。
稳定的超额收益最好能呈现“日日增、月月盈”的效果，如果指增产品在贝塔收益上产生较大的负向超额磨损，那么投资者的实际体验可能还不如直接持有ETF。为此，中欧量化产品设计会适当提高标的指数成分股内的选股比例，力求增强超额收益的稳定性。
这一特性在当前市场环境下尤为重要。比如8月以来，市场呈现出明显的结构化牛市特征，“一九行情”行情下，单一策略的量化模型很难稳定提供Alpha。同时，资金流动也导致小微盘股发生回撤，此时控制回撤的能力就更加依赖于策略的多样性以及标的指数成分股占比的合理配置，这些因素共同决定了最终获取Alpha的效果。
展望未来，中欧量化团队将深挖两大方向的Alpha潜力。首先，充分利用公募基金的禀赋，深耕私域数据的价值。依托公募在基本面研究方面的禀赋，通过盈利预测等专业能力对基础数据进行深度加工和增值。
其次，端到端模型展现出巨大潜力。深度学习模型产生的Alpha和市场中现有的Alpha相关性较低。在这一领域，独特的技术和数据处理能力以及系统搭建的能力有望形成一定策略优势和投入壁垒。
10.17推文留言评论
红包口令已通过公众号私信发送，请于有效期内进行领取，避免过期失效。
滑动查看完整来源及风险提示
