品茶qm论坛官方网站_凤凰楼信息免费茶楼_一品阁楼论坛_全国同城凤凰楼信息免费茶楼51龙凤茶楼论坛网

在姜鹏看来,风险把控十分重要,“传统的量化风控更依赖均值约束,规避风格偏移。”然而,姜鹏团队在实践中发现这一方法存在优化空间?！耙曰ι?00为例，该指数的平均市值非常大，但成分股市值分布极不均衡，从百亿级到万亿级均有覆盖。若仅控制均值，组合可能在大小盘风格剧烈切换时暴露巨大风险。”

2024年末，上交所披露了新一期的统计年鉴，其中不少数据引起了中信保诚基金量化基金经理姜鹏的注意。姜鹏认为，在很多时候，一些看起来很轻微的数据变化，或许蕴含了一定的市场趋势。比如，上交所统计年鉴（2024卷）数据显示，专业机构持股总市值占比较上一年有所减少，多个资金规模区间的自然人投资者持股总市值的占比较上一年有所上升……“市场参与者结构的悄然生变或倒逼市场交易行为发生改变，从而影响量化策略捕捉超额收益的有效性?！苯粼诮邮苤泄と钦卟煞檬北硎尽?span>

要想做好量化投资，并不能一味埋头挖掘因子。在姜鹏看来，量化投资同样需要“抬头仰望星空”?！叭魏问谐《加凶约旱奶氐?，这些特点与我们模型的构建息息相关。只有努力去洞悉资金流向，探寻交易特征的新变化，才能知道自己‘赚的是什么钱’?！苯羧衔蘼凼谐〉闹飨咴谀母龇较?，都应该始终保持均衡多维度的配置思路，从稳健的角度出发，为持有人带来长期有获得感的业绩回报。

从市场趋势中探寻策略新思路

近年来，A股市场的投资者结构发生了显著变化。姜鹏直言：“自2023年下半年起，散户、游资及杠杆资金等占比开始攀升，而传统机构投资者如公募、北向资金的定价权有所减弱?！闭庵直浠苯映寤髁艘览祷久嬉蜃拥拇沉炕Ｐ汀！肮?，我们通过分析公司财务数据、行业景气度等中长期因子获取超额收益，但如今这些因子短期波动较大，甚至在部分阶段呈现负贡献?！?span>

面对市场环境的演变，姜鹏团队开始探索新路径。他们发现，单纯依赖财报数据，存在滞后性，难以捕捉市场先机，而不少另类数据却能提供增量信息?！氨热?，一些公司的管理层会在交易所互动平台积极回应投资者提问，或通过公开采访释放业务向好的信号。这些信息往往比财报提前数月反映公司的困境反转或成长潜力。”姜鹏举例说。

基于此，团队引入自然语言处理技术，抓取上市公司网站、交易所平台、高管访谈等非结构化文本，通过情感分析挖掘管理层对未来的信心强度，并将其转化为量化因子。这一创新使得策略能够更早识别基本面拐点，而非被动等待财务数据验证。

与此同时，量价因子与机器学习的结合成为另一突破口?！笆谐〗灰仔形摹残浴卣魅找嫦灾?，例如换手率、短期动量等因子在散户主导的行情中表现突出。”姜鹏表示，团队将量价数据与基本面因子融合训练模型，既保留了中长期逻辑，又增强了对短期波动的适应能力。

多维度把控风险

在姜鹏看来，风险把控十分重要，“传统的量化风控更依赖均值约束，规避风格偏移?！比欢?，姜鹏团队在实践中发现这一方法存在优化空间。“以沪深300为例，该指数的平均市值非常大，但成分股市值分布极不均衡，从百亿级到万亿级均有覆盖。若仅控制均值，组合可能在大小盘风格剧烈切换时暴露巨大风险?！奔诖?，姜鹏表示，团队除了在平均值方面设定约束，还会在整体分布上进行约束，控制组合的市值分布与基准指数匹配程度。

团队首先将主动管理经验融入量化系统?！拔颐墙杓鞫蹲实呐爬姿悸罚猿植指龉山蟹橇炕缦掌拦?，例如管理层稳定性、舆情事件等?！苯艚馐?，“即便量化模型给出高评分，若发现公司存在潜在合规问题，我们也会手动剔除?！?span>

其次，团队将机器学习的相关策略应用到了风控模型中，这一策略在应用的过程中充分体现了团队“反其道而行之”的逆向思维?！按沉炕非笤げ馍险牵谐∩献龆嘁蜃痈叨扔导?，准确率持续衰减。我们反其道而行之——用同一批因子预测哪些股票有潜在的下行风险?！苯舯硎?，团队发现相关因子在空头端的预测效果优于多头端。

做有逻辑的量化

尽管市场风格频繁切换，但姜鹏管理的中信保诚沪深300指数增强一直“发挥稳定”。Choice数据显示，截至3月28日，从近1年、成立以来等多个时间维度来看，该产品均跑赢了标的指数。姜鹏表示，均衡的卫星策略是该产品业绩良好的重要原因之一。

“我们的核心策略以多因子选股为主；而卫星策略则分散配置成长、红利、事件驱动等不同风格，并控制卫星策略整体的比重?！苯羧衔?，这种设计更能确保组合在不同市场环境下均能“接棒”。例如，2024年9月下旬市场大涨以来，成长和反转策略成为了重要收益引擎，使得模型能够迅速跟踪市场节奏的变化。在姜鹏看来，单一风格暴露过高可能带来短期爆发，但也会放大回撤。卫星策略的目标不是极致锋利，而是长期稳定。

对于市场对量化“黑箱化”的质疑，姜鹏认为，在这一方面，团队始终强调策略的高度透明。“我们避免使用原始数据直接训练模型，而是要求输入端的因子本身具有明确的逻辑支撑?！北暇?，模型的本质是逻辑的数学表达，而非数据拟合的玄学。

这种“可解释”“有逻辑”还体现在模型可以学习基本面与量价的交互行为上?！叭绻愣阅Ｐ徒醒盗?，其因子都是交易行为，那么模型学到的知识与基本面无关。因此我们模型训练的内容包含了基本面因素和交易因素，这两者之间存在一些神奇的互动?！苯舯硎?，“比如某只股票在业绩预告前出现异常放量，可能是资金提前布局的信号。”这种交互分析不仅打破了传统因子的静态权重分配，更能动态适应市场环境。

此外，鉴于基本面因子波动加大，中信保诚量化团队将部分收益预测模型中的基本面因子转移至风险约束模块中，将其重新定位为风险管理工具。

来源：中国证券报

记者：魏昭宇