行研 | 中国股票量化私募基金的回顾与展望

区别于主观投资，量化投资是指在投资决策的过程中用数量化方法进行决策。所以区别不是来自于交易也不是研究手段，而是投资决策方式。对于非量化机构而言，虽然也大量使用量化分析、系统下单，但最终更多是人在做投资决策，有一定“艺术”成分。而量化机构则使用程序来决策，它更像是一门“科学”，在人去建好模型、给定参数之后，程序来计算最优解。

传统股票主观策略的投资标的集中度相对较高，投资经理往往选择较为擅长的某些行业或公司进行深入研究，并挖掘出具有投资价值的投资标的，而股票量化策略，主要基于海量数据分析与模型构建，对大量股票运用数量化方法筛选出投资机会从而构建投资组合。因此股票量化策略的投资组合中往往投资标的较为分散，个股仓位相对较低，投资标的的相对分散化同时也能带来风险分散的效果。同时合理的风控指标以及成熟的系统可对异常变化迅速反应，股票量化策略相对指数的超额收益较为稳定。量化投资的优势体现在几个方面：

1.客观性

量化投资一般通过回测来证实或者证伪策略的历史有效性，而且在进行实盘交易的时候，很多都是通过程序化交易自动下单的，这能在很大程度上保证决策的客观性，受人为情绪等因素的干扰较少。

2.大数据

量化投资在研究或者决策中，通常会引入大量的数据来进行分析。比如股票，只需要一套代码，就可以同时分析全市场3600多支股票。这种大数据的分析效率在传统投研方法中是做不到的（当然，传统投研对公司基本面的研究是更深入的）。

3.响应快

由于是用计算机进行自动分析，所以分析和响应速度都十分迅速，一般能达到秒级，高频交易甚至是以微秒为单位的。比别人更快一点就有更大的可能抢到单子，就能赚到更多的钱。

1.2010-2013起步期

国内虽然在2000年后就有量化投资的基金产品问世，但2010年之前只是星星之火。中金所2010年4月16日推出沪深300指数股指期货，给量化投资开启了一个新时代。股指期货一方面给股票策略提供了可以对冲的工具，第二个方面给CTA策略提供了流动性活跃的交易品种，第三个方面是衍生出与ETF结合的期现套利等策略。“量化对冲”这个词开始正式走进广大投资者视野，虽然刚开始阶段出现的一些量化对冲产品从策略而言并非严格的股票Alpha。

这三年算是量化私募的启蒙阶段，A股市场整体的低迷给量化对冲策略带来了一些机会，所谓没有对比就没有伤害。市场竞争不太激烈，策略特点是以中低频alpha为主，简单的信号和基于华尔街经典模型的Alpha框架便足以构建出不错业绩的组合。国内股票策略最开始还是以绝对收益策略为主，采用股指期货进行对冲为主（融券short很少），刚好碰到小盘股行情，只要稍微暴露一下风格即可赚钱，这个阶段，各量化机构之间也还未出现激烈的“军备竞赛”。但该期间非标业务大量发展，大量信托“保本保收”，使得量化对冲的规模一直没有上量。

2.2013-2015成长期

随着股指期货交易稳步上升，量化开始了第一波蓬勃发展。这一时期，中国股市在配资、杠杆的催化下走进一波大牛市，从2014年中的2000点一路上行到2015年中的5000点。海外量化团队陆续回国，以及《基金法》颁布和协会登记备案制度所引领的“阳光化”，让量化机构的团队搭建和产品业绩披露更加顺畅。

这一阶段，主要有三大因素促成了量化对冲基金规模的进一步提高，一是牛市带来的市场波动（2015年沪指波动率水平40%几乎为近5年最高），为量化策略的运行提供了肥沃的土壤；二是上证50、中证500股指期货、50ETF期权、融资融券等金融工具上线，对量化机构做对冲提供了更多选择；三是配资、杠杆监管相对宽松，许多量化私募使用杠杆来放大收益，做强了管理规模。2014年12月份遇到大小盘风格切换，很多股票量化产品都出现了集体回撤，杠杆比较高的还爆仓，这也算股票量化产品遇到的第一次“黑天鹅”。

3.2015灾后-2016严峻挑战

2015年年中股灾，沪指从5000点一路下跌至2016年初的3000点。对于量化来说，比股灾影响更大的是随后股指期货的监管措施。日内开仓限制到10手，保证金比例提高到40%（套保20%），使得股指流动性瞬间消失，进入深度贴水状态，中性策略进入寒冬。这算是量化面临了爆发增长后的第一次严峻挑战。

祸不单行，2015股灾及HOMES等系统违规配资实践引发了监管对程序化接口的叫停。灾前，量化管理人通过对API封装对接券商柜台系统，交易执行效率比较高。这种模式的叫停在一定程度上制约了量化策略的运行。

2016年1月沪指暴跌23%，熔断，随后一整年内行情走向了漫漫修复之路，直至年终也未完全收复熔断失地。15年下半年的深度贴水让一些量化对冲策略产品转为指数增强，但指数在股灾、熔断期间挖下的大坑让这些产品难有惊艳的业绩。此时期，唯有频率的提高能显著提升量化产品的风险调整后收益水平。通过高换手来降低组合在单因子上的敞口暴露时间，进而降低净值的波动与回撤。Alpha+T0模式逐步进入市场，通过叠加日内价差收益来对抗负基差。同时，这一阶段也算是中国量化私募基金算力与人才比拼，“军备竞赛”的开始。

4.2017-2018阶段性低迷

深度贴水环境的持续，使得量化机构开始历练、进化、洗牌。早年间专注自营，闷声赚大钱的团队开始进入市场，而不少已有不错规模的机构则因为无法满足客户的收益预期而经历规模下滑。随着算力、数据挖掘技术的不断提升，以“四大金刚”为代表的头部量化私募规模开始直线上升。行业集中度呈现提升趋势。

2017年沪指继续修复，上行7%，但贯穿整年的大盘蓝筹行情使得沪指与300的表现出现较大分化：沪深300全年超过20%.如此巨大的市场风格分化，让许多暴露在小市值因子上的组合遭遇回撤。这也让市场开始意识到，一些中性产品并不是真正的中性，而是靠暴露在特定风格因子或行业因子来博取超额收益（虽然2014年底A股市场的类似风格切换也曾让量化对冲出现集体回撤，但其影响远无2017年这次深远）。

2018年市场整体下行20%以上，两市交易量水平（日均）也继续下行到2000亿以下，给高速进化中的中国量化私募基金带来新一轮挑战。僧多粥少，价量因子长时间横盘，量化管理人逐渐觉得难受。出路主要有三个，一是转型对基本面因子展开挖掘，二是研发如舆情之类的另类数据，三是进一步优化模型与提高算力，解决价量因子生命周期短的问题。综合起来分析，数据来源的扩充、策略的进一步个性化、频率的进一步提升是这一时期量化管理人进化的主要方向。

5.2019-2020迎来春天

2019年，资本市场迎来牛市，三大股指全年均超过20%.随着两市交易量的回升，股指期货政策松绑、两融标的范围扩充等利好消息，量化管理人逐渐嗅到了春天的气息。其中，股指期货开仓限制从50手一次性调整到500手，可谓重大利好，而两融标的扩充到1600也让量化对冲有了新的对冲方式，长期来看这将使得量化策略种类更加丰富，容量也更大。

沪指年化波动率回到20%以上，市场逐渐发现还是价量因子好赚钱。中国量化逐渐走入了高频价量阶段。海归的量化团队越来越多，华尔街成熟的模型与算法推动着国内量化朝着分笔交易数据、超短线机会收割的方向演进。机器学习、人工智能这些词早先还只是“四大金刚”等少量头部机构的战略定位，此时已然转变为几乎全部量化机构必谈的关键词。头部机构则在人才、算法、硬件上进一步加大资金投入，提高护城河。百亿量化私募俱乐部不断扩容至十家，领头羊直奔千亿，行业集中度进一步上升。

在这个“春天”，中国量化私募基金无论从规模、平均业绩来看都有了显著提升。股票中性产品取得超越10%的平均绝对收益，而量化多头由于不受到对冲成本、保证金占用仓位的影响，相对于指数的超额收益则平均在15%左右，优秀机构能进入20%-30%区间。相对于发达市场，这可以算是相当丰厚的收益水平。

1.规模经济效应逐渐显现，行业集中度将进一步提升

量化私募行业是一个具有规模经济效应的行业，很容易形成赢者通吃的局面，一九现象明显。2015年股灾之前，除了少数期货高频公司硬件投入比较大，很多私募硬件投入不高，另外加上当时可以结构化做配资做规模，所以行业集中度还没有这么明显。随着股票高频alpha的崛起，硬件投入以及人力成本投入是一块非常大的固定支出，准入门槛越来越高。另外一个方面，随着去通道化以及净值化管理，好资产成为“香饽饽”，资金往头部更加集中，很容易形成“马太效应”。从现在股票量化私募的趋势来看，第一梯队、第二梯队与其他公司的差距拉得越来越大。量化竞争格局走向一九现象会越来越明显，长尾分布让头部品牌溢价能力越来越强。

2.中国量化还有很广阔的发展空间，但超额收益水平或将下行

中国量化还有很广阔的发展空间，核心逻辑在于中国市场散户的高比例结构，散户交易行为特征为目前和未来一段时间仍会为量化策略超额收益提供肥沃的土壤。这一点毋庸赘述。但在未来量化继续增长的过程，超额收益水平或将下行。从过去几年来看，量化对冲的平均业绩水平（以及量化多头的超额收益水平）逐年增长，去年达到11%（15%），但未来量化规模的上行必然导致赛道拥挤，僧多粥少；高频等风险调整后收益水平极高、容量有限的策略将逐渐转为自营；当市场发展到均衡状态，超额收益水平或将刚好覆盖管理人的运营成本加投资者正常的风险补偿。

3.单因子暴露赚钱越来越难，新赛道竞争激烈

风格因子、行业因子这类市场已经耳熟能详的常规因子，在私募基金全部超额收益中的占比是稳中有降的。这或许指示出量化在未来越来越难以靠单纯的风格、行业暴露来挣钱。随着这些常规因子的“beta化”，免费或廉价午餐越来越少，赚这些因子的钱所须承担的风险越来越高。未来量化一定会是在传统风格行业之外的新赛道展开激烈比拼：一是基本面因子深度挖掘，二是如舆情之类的另类数据，三是进一步优化模型与提高算力。无论哪种方向，最终都将形成新的红海。

4.机器学习将助力策略进一步进化

随着IT和信息处理能力的增强，机器学习及人工智能技术在量化领域的应用逐步进入轨道。机器学习选股模型与传统的多因子选股模型的差异在于：机器学习选股的模型构建与因子筛选过程主要依靠数据挖掘技术自动完成，而传统的多因子选股模型在模型搭建，尤其是因子选择过程中包含较大的主观成分，仍需依靠投资经理对市场行情的基本判断来预选因子。所以深度学习多因子选股模型的优势在于结构优化及因子筛选过程均由计算机自动完成，该模型受主观因素影响相对较小。同时与传统多因子选股模型相比，深度学习模型不局限于线性关系的构建，引入了非线性关系的拟合，模型结构复杂度更高，同时其有系统化、智能化的信息处理系统，在隐藏层的辅助作用下，若基于足够的训练集数据，模型最终的拟合程度较好。当然，深度学习多因子选股模型也存在一定限制，比如需要更高要求的计算设备以及更多的运算时间，模型内部网络结构的复杂性也使得模型的运行过程难以用常规经济学逻辑来解释，该模型较难被理解。

5.策略品类不断拓展，满足客户多样化需求

随着市场有效性的提高，要靠单策略取得持续好的收益已经很难了；再加上投资者对量化的偏见，如果买入的单策略持有一段时间不赚钱，大概率不会继续持有。没有规模就没有钱，更谈不上招人扩团队搞投入，因此没有能力组织多个团队的量化公司，会比较难活下去。随着量化私募的头部化效应越来越集中，拥有资金与平台优势的头部管理人在策略品类上不断拓宽以更好的服务于客户多样化的需求，不仅在股票量化上做大做强，也积极拓展包括像商品股指CTA，择时对冲等产品线，在保证策略夏普的前提下满足客户定制化的需求。

6.单产品多策略融合，产品创新提高业绩表现

来源：投资管理二部 方兆运