近年来，行业轮动频繁，主题热点活跃,量化策略凭借提高投资决策的高效率和准确性,备受市场关注。部分结合量化策略的主动权益

　　量化投资与主动权益投资有何区别？如何通过量化策略布局2024年资本市场？本期《投资热点说》邀请到了光大保德信基金量化投资部负责人朱剑涛、量化投资部基金经理王卫林和韩羽辰，和大家聊聊2024年量化投资如何做。

　　朱剑涛：公募量化产品，主要分为主动量化产品和指增类量化产品，指增类量化产品主要跟着某一个选定的基准，在控制偏离和跟踪误差的前提下，去尽可能做多超额收益。主动量化产品，相对来说可能对基准偏离度要求上会更宽松一些，做阿尔法的空间会更大一点，可以根据市场做灵活调整。

　　王卫林：我自己的投资框架也是在逐步迭代，逐渐形成了以量化多因子组合优化为主的量化选股框架，同时注重归因分析，关注重仓行业和重仓个股的基本面逻辑，努力做到策略收益可复制、可解释、可预期。

　　韩羽辰：以量价数据为代表的拥有海量样本的数据相对来说更适合进行定量归纳分析，而像宏观数据这类样本量较小的数据更适合通过逻辑演绎的方式进行研究。同时两者相结合更可以发挥1+12的效果。

　　主持人：对话投资大咖，把握市场脉动，欢迎来到《中国基金报》独家打造的高端访谈类节目对话现场，我是主持人文锦。他是1024背后的浪漫理工男，他是自嘲跌的都不敢去丈母娘家蹭饭的上海女婿。有人戏称他为量化魔术师，也有人认为他是指数增强实力派。今天我们一起走近西部利得量化投资总监盛丰衍，打开量化黑箱和他一起聊聊量化投资那些事儿。盛总您

　　中国基金报：今年以来，A股在3000点反复波动,板块轮动加剧,投资难度加大。在此背景下,不少量化基金却以出色的业绩进入公众视野。能否请朱总，给我们复盘一下今年的市场表现？以及整体量化基金产品在今年市场中的表现？

　　朱剑涛：2023年，国内经济复苏整体在曲折中前进，再叠加上外部加息周期的影响，A股整体震荡下行，AI、黑色家电、游戏板块领涨，风格上低波红利，还有中小盘表现更加强势一点。

　　公募量化产品，主要分为主动量化产品和指增类量化产品，那么指增类量化产品主要跟着某一个选定的基准，在控制偏离和跟踪误差的前提下，去尽可能做多超额收益。主动量化产品，相对来说可能对基准偏离度要求上会更宽松一些，做阿尔法的空间会更大一点，可以根据市场做灵活调整。这两类产品在2023年表现都比较好，不管是在偏股混合型还在普通股票型，排名前列的都能看到量化产品的身影。

　　中国基金报：我们注意到，光大保德信量化团队积极挖掘投资机遇,2023年多只在管产品表现亮眼,有4只基金近一年同类排名位列前10%。据我所知，早在2004年4月，光大保德信基金就发行了公募行业首只鲜明量化特征的产品，在量化投资领域深耕已久。可否先请朱总，介绍一下光大保德信基金量化投研团队？团队是怎么分工的？

　　朱剑涛：光大量化核心是国内公募第一只鲜明量化特征的公募产品，运营19年多的时间，为光保量化团队积累了非常深厚的历史积淀。团队目前管理的产品覆盖主动量化、指数增强等主流产品类型；投资策略以传统因子投资框架为基础，积极采用新兴AI技术，结合投资逻辑，充分挖掘K线行情、另类数据中蕴藏的alpha 收益。团队成员目前有五人，团队负责人主要负责量化策略的研发改进，产品规划布局，量化投研系统搭建，内部管理等工作；两位基金经理主要负责现有产品的运营，策略执行改进与风控跟踪；两位研究员主要承担数据库维护、网页端开发、因子编写、策略辅助开发等工作。团队通过每周的量化团队例会，与每月的量化投资决策委员会来跟进工作进度与产品运营。

　　中国基金报：好的谢谢您对光大保德新量化团队的介绍，您提到两位基金经理主要负责现有产品的运营，策略执行改进与风控跟踪。想请教一下王总，您个人的投资框架是怎么样的？

　　王卫林：我觉得一个人的价值观其实跟他的成长路径是强相关的，在投资领域其实也不例外。我自己的投资框架也跟过去求学、工作经验息息相关。我本科辅修过一段时间经济学，然后研究生的专业设置其实是比较像金融工程，课程涵盖了像数学、计算机、衍生品定价等等。工作以后，我也一直从事量化投资的研究和管理工作。

　　2016年开始，市场经历了好几轮牛熊切换，比如从我刚开始入行，市场是一个偏小盘行情，然后到后来又是漂亮50行情，是比较极端结构化的行情，到后来的各种赛道股行情兴起，在这一过程中基本面量化研究和投资的方法体系兴起。然后又演变到现在，最近这两年大家都可能关注度比较高的机器学习AI人工智能投资方法兴起。

　　在过程里面，我自己的投资框架也是在逐步迭代，逐渐形成了以量化多因子组合优化为主的量化选股框架，同时注重归因分析，关注重仓行业和重仓个股的基本面逻辑，努力做到策略收益可复制、可解释、可预期。

　　中国基金报：我们在了解完光大保德信量化基金团队和个人的基本情况后，再来看看光大保德信基金量化团队的特点。这个问题我们问韩羽辰。我们知道，量化分为复杂非线性模型，以及传统统计学习模型，光保团队主要侧重哪一类？随着 AI的出现，如何升级?

　　韩羽辰：这两种量化投资的分析方法本质上是对市场环境不同维度的刻画，本身并没有优劣之分，我们团队对于各类研究方法和模型创新都是持有一个非常开放的态度。前些年我们会更侧重于传统的基本面和量价因子的研究，近年来，随着各方面条件的成熟，我们团队也将重心逐渐转移到新兴的机器学习模型上，也会将历史上积累的传统统计方法得到的成果有机结合到新模型中。

　　我们团队从2022年开始分配了大量研究资源自主开发具有我司特色的量化机器学习模型，并从2023年开始将研究成果应用于量化团队管理的各类产品中，取得了不俗的成绩。

　　机器学习模型的核心三要素（数据、算法、算力）在量化投资中都至关重要，三要素协同有助于量化投资策略持续高效迭代。数据方面，除了传统量价数据和基本面数据之外，我们还将蕴含丰富日内信息的高频数据、刻画股票间相互关系的产业链数据、描述分析师预期和舆情信息的文本数据等另类数据都纳入机器学习模型体系中，为模型提供丰富的原料。

　　算法方面，我们结合各类学术文献，自主开发了以深度神经网络为基础的机器学习模型，将多种特征提取模块有机结合在一起，并运用多目标学习、动态加权等前沿机器学习方法，保证模型稳健优秀的信息提取能力。

　　算力方面，我们对硬件进行了投资，采购了先进的服务器和GPU芯片，对模型进行高效的计算。模型训练过程中，我们将海量的历史数据输入模型，让模型对目标进行自我学习，力求使机器获得类似人脑一般的判别行为。训练完成后，我们对模型输出结果进行有效性检验和历史回测，并将优秀的模型应用于投资并持续进行绩效跟踪，最后在实践的基础上对模型进行迭代优化，形成研究和投资的闭环。

　　中国基金报：学到了不少知识，您刚才也提到了你们自主开发了以深度神经网络为基础的机器学习模型。你能否简要介绍一下什么是深度学习模型？机器学习的方式去做模型相对于传统的多因子模型优势在哪里？实盘取得的成绩如何？两者是如何有机结合起来的？

　　韩羽辰：本质上，机器学习模型是模拟了我们人类对于知识学习的过程。我们可以回想一下大家在学生时代的学习过程：首先我们在课堂里学习前人的知识，然后课后通过作业来检验上课的学习成果，通过对作业的批改进行查漏补缺进一步巩固知识，最终将我们学到的知识方法运用到考试中。在量化投资中，机器学习模型的训练同样是类似的过程，它的目标是为了建立未来收益与历史数据之间的相互关系，通过对于正向输出的奖励以及负向输出的惩罚不断自我优化，构造出一个从历史数据到选股指标的“思考”过程，最终在选股指标的基础上进行投资组合的构建。

　　量化投资的特性决定了其背后离不开大量的数据支撑，而在信息维度爆炸式增长的今天，如何处理海量的数据并从中获取有用的信息，则离不开强大的模型和算力的支持。

　　近年来，传统量化投资在实践中面临着越来越多的挑战，面对海量的市场数据，仅仅依靠人工难以短时间内全面分析所有信息，单单利用人工构造指标捕捉投资机会的效率越来越低。为了弥补传统量化投资的短板，利用计算机的性能让电脑代替人工分析，将应用于量化投资便顺理成章成为量化研究新趋势。

　　机器学习模型框架对数据处理更为高效，学术界丰富的研究积淀、优化算法的持续发展以及硬件算力不断提升使得对海量数据的分析处理运用成为可能。同时，机器学习通过非线性的方式挖掘因素与结果之间的潜在关系，从高维度对数据间变化模式进行识别，更加敏锐地捕捉由市场中非理性因素带来的投资机会。

　　在传统量化因子与机器学习模型结合方面，我们将历史上积累下来的大量各类因子都作为机器学习模型的输入，让其进一步提炼有用的信息，为最终选股因子提供更丰富的信息来源。从今年来看，机器学习模型在今年的实盘业绩非常亮眼，我们从今年年初以来就视情况将机器学习模型适当应用于我们部门管理的基金产品中，以光大量化核心为例，根据银河证券数据，截至2023年12月底，其近一年业绩在同期标准股票型基金中排名前9%（27/326）。

　　中国基金报：好的，谢谢韩总的分享。我们知道，公募量化产品主要分为主动量化、指数增强和量化对冲三种。作为一个科班出身、在指数增强和主动量化等领域都具备丰富投资经验的基金经理，王总，可否跟大家科普一下这几类产品？

　　王卫林：假设我们以跟踪误差为X轴，以超额收益为Y轴。随着跟踪误差变大，超额收益一般也会变大。相对于超额收益，被动管理更关注将跟踪误差控制在最小范围。而主动量化，其跟踪误差相对于被动管理型产品较大，同时也追求更高的超额收益。指数增强介于二者之间，在跟踪误差和对超额收益的追求之间做了一个平衡。比如，光大核心就是主动量化，光大保德信中证500增强就是指增。

　　中国基金报：关注到2023年一些量化产品取得较好业绩表现。朱总，您也是从业15年的老将了，朱总在券商、期货和私募都有从业经历，尤其在量化策略这一块具备丰富的开发经验，想请教一下，在公募量化“百花齐放”的浪潮下，您认为要提升量化超额收益能力，有哪些方面可以努力？

　　朱剑涛：可以从思想、工具、执行三个方向去努力。思想上要海纳百川，勇于创新，不能拘泥于传统的资产定价学术理论，要积极的去跟踪市场变化，总结经验，分析原因，找寻可能有用的另类数据，转换成量化策略，严格测试验证。

　　工具层面上，要注重细节，量化投资流程犹如一台精密仪器，各个模块相互关联，每一处都是外面看不到的“细节”，一处处“细节”的堆积，决定了整体的性能；策略开发过程中，细节的处理必须严谨，反复求证。同时，我们也要及时跟进量化研究、领域的新进展，积极尝试新工具。

　　执行层面上，必须把交易执行与策略研发融为一体，适应不同资金规模的产品需求，这样可以有效规避很多大额交易的市场冲击，让量化策略模拟回测得到的纸面收益转换成实际投资收益的效率更高。

　　中国基金报：当下AI技术应用到量化投资领域也是个热门。我看到介绍，光大保德信致力于打造“AI+基本面驱动”的量化投资，可否展开具体讲讲？譬如AI如何辅助投资决策以及赋能投研团队的？

　　朱剑涛：人工智能或者机器学习是目前国内量化团队的主流分析工具，它在实际投资中有众多优势，例如：1) 对数据规律挖掘充分，能发现很多新的市场范式。最典型的是投资者金融客户端看到股票日频K线数据，投资者可以人工构建一些量价指标，历史上长期有效，但近些年衰减明显，而机器学习方法用同样数据挖掘出来的选股指标，超额收益的幅度大小和收益稳定性上都远胜于人工方法。2) 一些新兴的大数据、另类数据，里面蕴藏了未被发掘的alpha，但其数据存储为非标准格式，必须借助机器学习工具加工处理。3) 机器学习中的深度学习框架，非常灵活，能够分步分批训练模型，融入很多投资交易、资产定价相关的理念，和实际投资流程更紧密契合。

　　中国基金报：好的谢谢。这个AI其实关注的人很多，我问一下韩总，现在市场上也开始出现大量的AI模型派的做法，贵司与相同流派之间在做法上的区别是怎样的？

　　韩羽辰：我们的机器学习模型是完全由我们团队自主开发、测试和应用的，结合了各类学术文献和券商研报，将各类深度神经网络模块有机结合在一起，使模型可以高效率地从原始数据中提取有效的信息，同时运用多种机器学习训练技巧，有效缓解模型出现过拟合的现象，提高模型泛化能力。我们的模型结构从设计上就兼顾市场的长短期信息，力争在充分发挥模型的长期胜率的同时也兼顾短期市场风格变化，拥有自我调节的能力。此外，我们广泛寻求数据来源，将新兴数据以及历史上积累下来的有效因子都纳入模型训练的范围内，有效提高模型潜力。

　　中国基金报：刚才朱总也提到了另类数据？贵司是否会采用另类数据捕捉阿尔法？可否展开谈谈。

　　韩羽辰：另类数据其实是相对于传统金融数据而言的。在投资领域，以股票交易数据、公司财报数据、政府统计数据等为代表传统金融数据，这类数据的出现本身就是主要来源于金融服务于金融，获取成本较低、处理应用难度较低，同时数据的研究历史较长，可供挖掘的信息逐渐匮乏。相对的，另类数据则是此前在金融领域中应用较少的，或产生目的原本并非为了应用于金融领域的数据，包括文本数据（研报、新闻）、产业链、专利、招聘、电商数据等，这类数据中获取成本较高、需要通过更专业的方式进行处理运用，但同样蕴含着更加丰富的信息。

　　以新闻文本数据为例，首先为了快速获取时效性信息，需要通过爬虫获取市场上最新的新闻信息；其次新闻文本需要进行一系列的预料预处理（对无效字符进行清洗、对中文进行分词等）；再次对于处理完的文本进行特征提取的工序，将其转化为机器可读取的数据形式；最后再对处理完的数据在投资中的应用进行建模研究，可以看出这其中的每个工序所需要的专业能力都明显高于对传统金融数据的处理。

　　我们也同样将另类数据有机融入我们的机器学习模型之中。以产业链数据为例，我们在投资过程中可能遇到过这样的经历：某个股票在一段时间内涨幅较低，但与它相似的股票却涨幅颇高，而这个股票在此后一段时间内更可能出现补涨的走势。在我们的模型中，我们也加入了这类反映股票之间相互关系的信息，其中就包括产业链数据，可以更好地刻画股票间相关性对于选股的影响，通过我们的测试，加入这类数据对于模型选股是有一定的增量效果的。

　　中国基金报：另类数据目前在量化中使用其实是不多的，这是光大保德新量化的一个特色。谢谢韩总。王总，我听说你们还有一个特色就是因子库和模型，可否介绍一下光大保德信量化团队的因子库及模型，目前种类、构成如何？相较于其他公司，有何特别之处？

　　王卫林：光大保德信基金是开展公募量化业务比较早的，到现在为止有差不多近20年时间，在过去一代又一代光保人的共同努力和积累之下，我们确实积累了非常多的数据，也包括因子。

　　我们参照Barra的因子分类方式，把我们因子库里的因子梳理为十大类别，定期去跟踪分析，对市场的风格状态保持一定的敏感度。比如像市值非线性市值，包括成长性、盈利质量的，甚至包括一些低波红利的。然后我们按照这些维度，内部会去定期展开一些讨论交流，及时去捕捉市场中的一些因子收益变化和波动。

　　此外，人工智能神经网络机器学习这方面，我们也单独对模学能力类别做了一个分类。在这个类别底下，也加入了我们自己研究的很多因子，同时加入到日常跟踪管理中。

　　量化因子体系相对比较成熟，估计其他家跟我们也类似。但是细节方面，因子的处理细节比较依赖各人的经验，可能差异比较大。

　　即使像机器学习模型，大家都认为是一个黑箱模型，其实我们自己内部也花了很多精力时间去构建我们的一套方法，去理解因子为什么有效，它到底在赚什么钱？只有我们理解了这个因子它背后赚钱的底层逻辑，我们才能够放心的使用到产品里面去，为投资者去获得取收益。

　　中国基金报：数量化方法更多的是对过去数据的规律挖掘，逻辑认知更多是对未来策略有效性的评估和判断。那么实战中，应该如何确定哪些分析需要完全定量、部分定量，哪些需要主观判断呢？这个问题请韩总回答。

　　韩羽辰：这个问题让我想起了著名统计学家C. R. Rao的一句广为流传的名言：在终极的分析中，一切知识都是历史；在抽象的意义下，一切科学都是数学；在理性的世界里，所有判断都是统计学。量化就是这样一门综合了历史、数学和统计学的交叉学科。

　　在投资领域，量化定量研究和主动定性研究本质是对金融市场不同角度的理解，它们是一种统一而非对立的关系，综合运用归纳与演绎的方法可以取长补短相互补充。正如大家经常提到的一句话：没有定量的定性，容易陷入假大空；没有定性的定量，容易陷入教条僵化。

　　从实践的角度来说，我认为这个问题还是要从数据集自身的特性来考虑。以量价数据为代表的拥有海量样本的数据相对来说更适合进行定量归纳分析，而像宏观数据这类样本量较小的数据更适合通过逻辑演绎的方式进行研究。同时两者相结合更可以发挥1+12的效果，例如，量化研究的广度与主动研究的深度相结合可以对个股进行更多维度的判断，量化投资对于历史的总结与主动投资对于未来的展望相结合可以对市场拥有更全面的理解。

　　中国基金报：看来定量和主观是辩证的关系，在实战中怎么处理好这两者的关系是一个艺术。朱总，量化投资现在也有一些技术上的挑战，包括有效周期短、过度拟合和市场同类策略的相关性高等问题，这方面光保量化如何应对？

　　朱剑涛：量化投资和主动投资相比，一个优势的地方在于，我们可以通过回溯测试的方式，相对准确的模拟出策略的历史表现。决定一个策略是否采用，我们不仅要看它近期收益表现，也要看它长期收益的稳定性；我们还会对策略收益进行绩效归因，考察其收益来源，优先选取收益来源广泛的策略，这样可以较好的解决策略有效周期短的问题。

　　量化策略过拟合的问题没法完全避免，但是有很多手段可以降低过拟合的可能性，例如：研究出发点基于某个理论和市场经验，而非完全数据挖掘；模型参数确定过程中的交叉验证，对抗学习等技巧。在和同类策略量化产品竞争时，一方面如之前问题所说，我们会从思想、工具、执行三个层面上去提升自己的竞争力，另一方面我们也会同步在自己的量化策略池储备不同类型，不同风格的策略，以应对市场形势的变化。

　　中国基金报：以往量化策略多用在主动权益基金中，但现在随着量化投资越来越火，现在和量化策略结合的偏债混合型基金及二级债基也越来越多。王总，据我所知，光大保德信基金也是业内较早把量化策略引入到固收多策略产品的基金公司之一，在您看来，这样的结合有何好处？如何看待这类产品的发展空间？

　　王卫林：投资最重要的目标还是追求盈利，固收多策略产品因其攻守兼备的特征，市场需求非常大。固收产品相对于权益性产品来说，波动性比较小，因此固收多策略产品需要同时考虑产品的收益率和波动率。在构建固收类产品的产品运作策略的时候，要在收益率跟波动性之间做一个平衡。

　　量化对波动率的定义是有明确的公式的。资本资产定价模型中的均值方差模型分为两部分，一部分是关于收益率的预测，另外一部分关于波动率的控制，量化对波动率的定义即用历史收益率的标准差作为波动率的度量方式，然后加上我们自己量化的组合优化框架，它也都是以均值方差模型为基础的。组合优化的方法也较容易在收益率和波动率之间找到一个较好的平衡点。通过这些方法，追求高夏普比率的量化策略在一些情况下可以和固收多策略产品进行较好的适配。

　　中国基金报：除了固收之外，您如何看待成长风格未来的机会？当前小盘、微盘风格还会持续多久？对红利、低波因子如何看待？

　　王卫林：这些因子都是历史上有概率优势的因子，我的理念是尊重市场，敬畏市场，尽量少做预测，努力做好跟踪和应对。从我们的研究来看，不管是小盘也好，还是成长风格也好。在历史上这些风格都会有周期性，会在某一个时间段表现比较好，在另外一个时间段表现比较差。持续性问题坦率说也不是我们框架能够预测的问题。我其实更倾向于去跟踪，对市场保持敬畏的态度。

　　中国基金报：谢谢王总，近年小盘、微盘强劲表现其实是很出乎意料的。在这个不确定性越来越高的时代，风控非常重要。朱总，光保量化如何构建风险模型？如何做好约束和敞口的控制？是否遇到过策略运行较大波动的情况？如何处理的？

　　朱剑涛：市场上的投资机构很多都购买了外资提供的商用风险模型，但这些风险模型很多是海外市场的模型微调移植到国内，有些地方仍需进一步磨合。光保量化团队自研了一套风险模型，更有针对性地加入了A股市场特有的风险因子，对股价风险的解释程度方面，该模型追求在市场大波动时仍有较强的风险预测能力。针对当前运营的产品，我们会定期跟踪产品持仓的行业、风格和个股的风险暴露，监视是否有风险过度集中的情况；发现后，我们会调整仓位，使组合的风险暴露回到一个合理范围。

　　中国基金报：近几年，突发事件多发，量化策略往往在此类事件面前失效，在决策流程中，是否增加人为干预？在什么流程中进行干预？

　　朱剑涛：量化策略需要基于历史数据做验证，突发事件很多缺乏足够的历史样本，因此量化策略本身很难应对突发事件，需要人为的辅助干预，但干预的频度和力度会因人因事而异。如果事件会对我们策略的交易执行层面产生影响，我们会尽快修正策略，消除事件影响；如果事件本身可能只是影响短线上的行业或风格波动，量化策略一般会尽可能保持稳定，因为主观的去把握短线市场波动，难度很大，收益不一定增加，但策略收益的波动会显著加大。如果事件会对未来长线的市场波动产生影响，我们可能会考虑对策略风格、类型适当做一定调整。人为干预的决策，我们都会在公司量化投决会上和投资总监充分沟通，充分吸取各方意见。

　　中国基金报：先来解答许多粉丝朋友对量化管理的一个误区。请问量化投资与基金经理的投研水平有关系吗？是不是只要一个量化模型，就可以解决一切投资工作？

　　韩羽辰：在这里我想引用著名统计学家George Box的一句名言：所有模型是错的，但有些模型是有用的（All models are wrong, but some are useful.）。金融市场是一个极其复杂的系统，所有的模型都是对这个系统在一些合理假设下进行的简化描述，并不存在一个万能的无论是定性的还是定量的模型可以完美描述金融市场运行的过程，因此更不可能依靠一个模型就可以解决所有的投资问题。我们在实践的基础上不断迭代优化整个投资研究框架，这个过程对于量化研究员或者基金经理的金融知识储备、数理分析能力、编程建模效率等各方面综合能力都有着比较高的要求。

　　中国基金报：量化投资是基于哪些方面的参考指标建模的？这种投资方式与基金经理主动管理的投资方式有哪些区别和优缺点？

　　朱剑涛：量化投资的选股指标有很多类别，例如：估值、盈利、成长、量价、分析师等，里面很多指标主动投资基金经理在用。但也有很多选股指标是量化独有的，它们可能是对传统选股指标改进，例如预期外的盈利；也可能是主动投资经理有经验但无法通过编程做数据处理实现的，例如：共同动量；还有一些可能借助模型，机器学习工具挖掘出来的。因为主动投资经理的精力有限，全市场五千只股票里往往关注度会更多地集中在部分自己擅长的股票，因此他们用的选股指标适用面会相对较窄，但逻辑性会比较强；量化用的选股指标适用面会更广，种类更多，但部分指标的可解释性相对主动来说会比较弱。

　　中国基金报：量化投资是否更适合指数基金的管理？是否比主动管理型基金的基金经理管理，更能够创造超额收益？跟踪对标指数的误差是否更小？

　　王卫林：量化投资是一种投资方法，相对主动权益，指数基金投资上比较分散，更多的是通过量化分析模型来进一步丰富产品的资产配置策略。是否创造超额收益还是看基金经理的管理能力。

　　不管是量化投资方法还是行业研究出身的主动管理的方法，都是比较有效的方法，方法之间没有好坏，每个方法用来做不同的产品管理的时候，效率可能会不一样。

　　以量化的方法进行指数管理，可能是效率比较高的。如果找到一个相对比较有效比较稳定的模型以后，就可以按照模型的交易信号去跟踪管理的指数产品。如果是主动管理，基金经理需要去跟踪指数里面的每个成分股，有些指数成分股的数量较多，工作量很大。在这种情况下主动管理基金经理不可能对每个股票都深入了解，其投资方法会比较受限。

　　实践表明量化在指数产品里比主动管理多，主要区别在效率方面的差异，但是方法上其实是不存在优劣或者好坏之分的。

　　朱剑涛：从量化策略角度，如果自上而下分的话，可能最上层的话是大势分析，然后中间层是行业选择还有风格轮动，最下层选股层面的研究，在这三个层面上的话，量化都会有相应的一些模型。从实战和一些模型验证的结果来看，量化最擅长的还是选股，选股这块对我们策略收益贡献是最大的。

　　在目前市场状态下，依靠量化的分散式选股、更高频的换手交易，阿尔法来源的会更广，而且胜率和盈亏比上会有较好的权衡。我们觉得至少未来两三年内量化策略还是一个非常好的选择。

　　那么多公募量化产品怎么去选择？首先你是自己有一些比较明显的这种风格偏好的，比方说看好大盘或者一些中小盘，或者看好红利，你可以对应的去找比方说300、500、1000、 2000的增强，以及红利的增强产品。如果说你对市场的风格没有明显的偏好，那么主动量化产品可能是更好的选择。

　　数据来源：排名来源自银河，截至2023年11月30日，光大锦弘A、光大诚鑫A、光大指数增强A、光大风格轮动近一年具体排名分别为4/349、23/423、9/145、97/1429，其同类分别为普通偏债型基金、灵活配置型基金、增强规模指数股票型基金、偏股型基金。基金经理任职时间未完全覆盖上述评价周期，王卫林任职日期为：（锦弘）2023年8月22日至今，2021/11/20-2023/8/22由赵大年管理；（指增）2023年8月22日至今，2023/1/9-2023/8/22由赵大年管理；韩羽辰任职日期为：（诚鑫）2023年8月3日至今，2023/1/9-2023/8/22由赵大年管理；（中证500指增）2023年8月22日至今，2023/1/9-2023/8/22由赵大年管理；（风格轮动）2023年8月3日至今，2023/1/9-2023/8/22由赵大年管理。

　　数据截至2023年12月14日，业绩及业绩比较基准均已经托管行复核。光大锦弘、光大诚鑫年内收益及业绩比较基准表现分别为6.43%/0.50%，7.07%/-4.75%。两者业绩比较基准分别为中证全债指数收益率*80%+沪深300指数收益率*15%+恒生指数收益率*5%、沪深300指数收益率*50%+中证全债指数收益率*50%。

　　风险提示：基金有风险，投资需谨慎。光大诚鑫、光大中证500指数增强、光大风格轮动、光大量化的产品风险等级为R3（中风险），适合风险评级C3（平衡型）及以上的投资者；光大锦弘的产品风险等级为R2（中低风险），适合风险评级C2（稳健型）及以上的投资者。敬请投资者关注产品的风险等级与自身风险评级进行独立决策。本材料不构成任何法律文件或是投资建议或推荐。基金管理人承诺以诚实信用、勤勉尽责的原则管理和运用基金资产，但不保证上述基金一定盈利，也不保证最低收益。上述基金的过往业绩、净值高低、获奖情况及相关行业排名并不预示其未来业绩表现，基金管理人管理的其他基金的业绩不构成对上述基金业绩表现的保证。

　　2016年7月至2018年1月在南方基金管理有限公司任职量化研究员；2018年1月至2023年2月在长城基金管理有限公司任职量化与指数投资部研究员、基金经理助理、基金经理；2023年2月加入光大保德信基金管理有限公司，现任权益管理总部量化投资团队基金经理，2023年8月至今担任光大保德信量化核心证券投资基金、光大保德信中证500指数增强型投资基金、光大保德信创业板量化优选股票型证券投资基金、光大保德信锦弘混合型证券投资基金的基金经理。

　　韩羽辰，纽约大学金融工程专业硕士2017年8月加入光大保德信基金管理有限公司，历任研究助理、量化研究员，2020年9月至2023年7月历任权益管理总部专户权益投资团队投资经理，现任权益管理总部量化投资团队基金经理，2023年8月至今担任光大保德信量化核心证券投资基金、光大保德信风格轮动混合型证券投资基金、光大保德信诚鑫灵活配置混合型证券投资基金、光大保德信多策略智选18个月定期开放混合型证券投资基金、光大保德信中证500指数增强型证券投资基金的基金经理，2023年12月至今担任光大保德信一带一路战略主题混合型证券投资基金的基金经理。

　　本材料中的观点仅供参考，不可视作投资建议。本材料以公开信息、内部开发的数据和来自其它具有可信度的第三方的信息为基础。但是，并不保证这些信息的完全可靠。所有的观点和看法基于资料撰写当日的判断，并随时有可能在不予通知的情况下进行调整。本材料中的预测不保证将成为现实。

　　以上数据仅供参考。未经光大保德信基金管理有限公司书面许可，不得复制或散布本资料的任何部分。所有出现的公司、证券、行业与/或市场均为说明经济走势、条件或投资过程而列举，光大保德信基金管理有限公司下属分支机构可能持有或不持有相关账户。本资料讨论的策略和资产配置并不代表光大保德信的服务或产品。所有的这些不能视为建议或推荐，不作为公开宣传推介材料，以及购买或销售任何证券的要约或邀请，也不能视为采纳任何投资策略的建议。

　　免责声明：嘉宾言论系个人观点，不代表中国基金报平台意见。为保护版权，文章中的嘉宾言论未经允许请勿转载或引用，也不得进行任何有悖原意的截取、删节或修改。文章所述观点均为当时观点，不代表对未来的预测，如因为发布日后的各种因素变化而不再准确或失效，平台及嘉宾所在机构均不承担更新义务。内容信息来源于公开资料，平台及嘉宾所在机构对这些信息的准确性及完整性不做任何保证。投资者应自行承担投资行为的风险与后果。

　　风险提示：基金的过往业绩并不预示其未来表现，基金管理人管理的其他基金的业绩并不构成基金业绩表现的保证。基金净值会因为证券市场波动等因素产生波动，投资者需根据自身的风险承受能力、投资期限和投资目标，谨慎选择合适的产品并详细阅读产品法律文件，基金的具体风险请查阅招募说明书的“风险揭示”章节的相关内容。