6月10号，《清华金融评论》携手广发证券、聚宽于清华大学五道口金融学院成功举办了第十五期金融大家评：新技术引领资管新方向——“大资管”与量化投资。活动邀请了学界专家、业界权威分享他们对“大资管”与量化投资的看法。
开场由广发证券股份有限公司证券金融部总经理孔维成为活动致辞：
“量化交易已经成为境外发达证券市场重要的组成部分，相应的监管体系和风控体系也比较成熟。那么境内证券市场从投资交易角度，今年也日益呈现出3个方面的特征：第一个特征就是机构化和产品化，我们感觉这个进程这两年也在加速；第二个特征就是量化投资将逐渐成为机构投资者的主流交易方式之一；第三，随着国内资本市场各类工具跟基础衍生品的这种不断丰富和完善，场内外的融资融券期权等各类风险管理工具将在机构投资者中广泛应用。因此为机构投资者提供包含交易平台，量化策略以及证券借贷等一篮子产品和服务，是我国证券市场机构交易服务需要迈出的重要意义。目前国内的公募跟私募的量化基金规模已经突破千亿规模，越来越多的投资者开始主动配置量化产品和应用各类的量化策略，整个量化投资市场，呈现出市场环境跟参与群体的交互成长。未来随着证券市场交易机制跟交易品种的不断完善，以及大数据、人工智能、深度学习等新技术不断进步，我们觉得国内的量化交易将会取得更加长足的发展。”
圆桌论坛环节以“大资管新时代下——新技术对公私募量化产品的影响与挑战”为主题。本文节选了北大光华管理学院张然教授与嘉实基金量化投资总监刘斌先生的对话。
张然：北京大学光华管理学院副教授，博导，北京大学财务分析与投资理财研究中心副主任，财政部第一届企业会计准则咨询委员会委员，著有《基本面量化投资》。
刘斌：博士，毕业于清华大学，现任嘉实基金基金管理有限公司量化投资部投资总监。曾任长盛基金管理有限公司基金经理、金融工程与量化投资部总监等职务。2013年12月加入嘉实基金管理有限公司，担任多支基金基金经理，长期从事投资、研究工作。
两位就因子择时、如何利用风险因子规避地雷股等进行了探讨，以下是节选内容
张然：关于因子择时的问题，由于最近两年市场的情况较前几年变化较大。前几年，小市值因子的基金表现都比较好，但从2017年起，股市基本上呈现二八分化的一个行情。在2017年价值因子表现较好，但小市值因子表现就比较差，所以小市值因子的这些基金在2017年可能表现就相对不那么好。进入2018年以后，似乎这个阿尔法的效果就不太明显。很多外部环境的因素，比如说国际上的一些因素，事件风险，还有监管的一些因素等等，都可能引起市场环境的变化。
请问刘总您的团队一般对这种环境的变化是怎么应对的？在这种情况出现的时候，您是坚持模型还是对模型做适当的调整？
刘斌：首先说今年的阿尔法偏弱问题，第一方面还是今年各方面事件性的因素很多，包括贸易战，包括其他一些因素。实际上我们从今年整个风险端来看，发现市场的主要驱动因素还是风险的波动。今年一季度的时候像价值类的一些风险因子具备上行较大的收益。后来2月份是整个经济偏弱了之后，又被剧烈的下行，再加上4月份的贸易战，整个波动比较剧烈，但这段时间整个价值因子比较弱，也就是说今年从市场本身的表现上来看的话，是风险因子占主导。那么风险因子占主导的情况之下，市场的主要矛盾并不是在阿尔法这一关。所以我认为从这个因素上来看的话，这是一个局部的现象，我觉得这不是一个值得去担心的一个问题，因为不可能市场时时刻刻都是由阿尔法来主导，这是个正常情况，这是第一方面。从DCF折价上来看对它的影响较小，但成长类的资产利润都在远期，那么当你利率抬升的环境之下，对它的限制影响就比较大。所以从利率环境来看，价值类的资产是比较适合在一个利率上行的宏观环境中去使用的。所以我们能看到在去年的环境下，价值类的资产相对比成长类的要好一些，但今年的话就反过来，因为今年整个利率一个上升的趋势被终结了，我们原来做因子比较简单，简单地用一些因子做一个长期的历史回测，觉得他的效果OK就直接去做，但事实上你会发现很多的东西还是要和宏观去关联的，需要思考每一类因子它本身它代表的宏观含义是什么？所以这是一个非常重要的一块。
第三方面，我觉得因为现在因子同质化确实比较严重，无论大家是做公募还是做私募的，包括看一些券商的研究报告，再加上有各种各样的量化产品不断把因子公布出来，甚至有很多简单的回测方法，在中国的市场环境下很多因子迅速普及。所以说很多我们常见的一些原来常规有效的因子，后面一段时间的这种波动，或者它的风险收益特征可能会下降。因为3000支股票的这样一些线性统计，支撑不了这么大的资金规模，资金的规模稍微大一些之后，它的风险收益一定会弱化。
所以说，我认为现在的这样一个情况，今年的阿尔法是不好做，但这是一个可以理解的现象，未来我自己觉得原来比较容易赚的一些超额收益，应该还是会比较少。必须要去做一些更深入的研究，去挖掘一些更独特的因子。另外一个就是我们研究因子的时候还是要从宏观方面的角度上去理解，因子为什么会有效或者失效。
张然：谢谢刘斌总，我稍微总结一下您的观点，首先要了解因子背后的逻辑，然后利用这个逻辑，再考虑现在的宏观情况下，哪些因子可能适用性更强。
另外，今年还有一个特别典型的特征，就是今年市场上出现了不少我们所谓的地雷股，比如说乐视、中兴通讯等等，对于这些地雷股，像公募基金里面主要做主动投资的这种基金经理，一般来讲他们比较强调深挖个股，似乎对他们来讲对这种地雷股可能更容易识别。那对我们量化团队来讲的话，一般这种投资组合相对就比较分散。如果没有相应措施的话，就可能会有踩雷的风险。这里就想请教一下，您和您的团队一般是怎么避免去踩雷的，是不是有相应的模型来控制这种风险？
刘斌：我们从前两年开始就一直在考虑这个问题，市场上已有不少的一些公司尝试着做过信用风险模型，或是用各方面的大数据去做债券的信用风险监测。其实我们吸取了一些经验，面对金融监管的环境，我们意识到很多公司可能会出现一些负面的状况，所以我们从去年下半年开始建立一个完整的机制。因为做量化选股是三个有机模块的集合：第一个是阿尔法的集合；第二个是风险；第三个是组合优化，来构成整个一个完整过程。我们实际上从两个角度去控制这方面的风险。第一个是阿尔法选股，因为我们的选股模型可能和很多私募有很大的区别。私募可能会做一些更高的一些收益，它可能在整个阿尔法模型的因子选择上面，更多的可能是一些行为交易的因子来做，这样的话容易选到一些基本面负面的一些公司。但是对于我们在公募基金中研究的话，相对来讲在阿尔法模型的这个选择上，我们基本面的因素都特别多或者占的权重都特别大，比如像我们现在整个体系里面，我们基本面权重占了有75%到80%，这是因为我们在整个阿尔法公司基本面中考虑的因子比较多，很多像一些盈利资产：现金流等各方面这样一些因素，所以使得我们在阿尔法这一端天生的就能够回避掉很多基本面负面的标的。我们选股更看重这个上市公司本身的这样一些资源，所以这方面能够帮我们规避。当然我们也知道很多公司，并不是能够在财务报表就能够完全看的出来的，举个例子，像今年的东方园林、最近的华谊兄弟负面事件，针对这样一些问题，我们是风险端来做一定处理。那么风险端我们是建一个叫负面股票的一个监控。从两个角度去对上市公司进行一个负面的监控。第一个是负面舆情，比如说每天会对各方面的新闻于各种主要的一些新闻网站进行数据的采集。采集完了之后，我们会自动进行一个自然语言处理，提取它的一个负面情绪，然后通过这个负面情绪去看这个新闻是正面的还是负面的，我们会不断计算每一个上市公司，它单位市值比如每十亿的这样一个市值，所存在的负面情绪到底多少？我们建立了一级预警和二级预警，就是说根据负面新闻的这个数量，单位市值所对应的负面新闻的数量，对上市公司进行预警。第二方面是我们建立一个叫负面的基本面监控，比如说第一类包括他的股东结构，股东里面全是个人或者信托资产管理计划是怎样的风险；第二类就是它的股权质押比例，股权质押比例太高的公司，会做一定的抑制；第三类是它的一个商誉占比，商誉占比这一两年减值的风险很大，就需要做一定的风险防范，当然需要考虑一些财务数据等各方面，我们基于这个也建立一个预警。所以说在负面新闻和负面基本面方面，我们都建立一级预警二级预警机制。那么为什么要设一级预警和二级预警呢，而不是说选择这支股票就直接给它全部减掉或者全部都回避掉？如果说你非常暴力的用这种方法会造成你的这个宽度会损失得非常大。所以我们现在做法是建一级预警二级预警，在我们把这个股票池建完之后，在优化器内，比如阿尔法数据之后再做优化的时，在优化器里进行约束。比如说我是那个一级预警，这个个股超配不超过0.5％。比如说它是二级预警的话，二级预警不超过1％，用这种约束的方式，比你生硬的去直接给他砍掉要合理。所以我们就通过这两种方式去做一个控制，一方面是阿尔法端基本面，能够回避特别差的。另一方面是建立一个负面的监控机制，从负面新闻和负面基本面对上市公司做一个一、二级预警，从而在我们优化器那端，根据它的一、二级预警去约束他的全部。
通过这种方式，它的好处在于能够把大部分坏的公司过滤掉；虽然说不能够100%把所有的公司过滤掉，但是他能够保证我的一个宽度比例公式，使得我们的阿尔法不至于产生特别大的一个损耗。
张然：谢谢刘总特别干货的分享，前几天在我的公众号里面，我分享了斯坦福大学的Charles Lee教授的一篇文章，他们发现在美国有一套模型可以很有效地防止地雷股，大概能防止70~80%的地雷股，这已经是个非常非常厉害的这个模型。我觉得刘斌总他们结合中国市场的情况，考虑了比如说商誉的占比，股权质押的比例等到，做出了一套更加适合中国市场的模型，这个真的是个很棒想法，也是我们团队现在在研究的一个方向。
相信这个模型呢其实随着时间的推移，肯定还有很多需要去改善或改进的地方，但是已经是未来一个主要的研究方向了，再次感谢刘斌总。
- 延伸阅读 -