权益市场风格变换公募如何应对
应对风格与行业轮动
在华安基金量化投资总监朱宝臣看来，作为量化基金经理，要对不同的市场风格做好万全准备。“我们的策略和整个市场的风格是息息相关的。2017年以来，权益市场的风格主要分为三个阶段，即大盘价值阶段、大盘成长阶段和中小盘成长阶段。今年以来，市场经历了较长时间的调整，直到前段时间，新的风格逐渐清晰，小盘股占优的行情得到确认。”朱宝臣说。
作为公司量化投资总监，朱宝臣也在带领团队积极布局除了基本面以外的、适合小盘股交易的策略。他表示，在策略的储备初期，他们并不是为了迎合特定的市场风格做一些布局，而是从长远规划的角度出发，针对不同的大盘风格提前做好储备。
长信基金总经理助理兼量化投资部总监左金保表示，量化本身是一个不断发展和迭代的行业，手中的策略要持续优化和改进，无论是因子层面还是模型层面，都要去跟踪最新的研究成果，改进模型。他透露，自己正在加强对市场风格的研究，增强组合对市场风格变化的适应性。
不过，对于量化模型是否要紧跟风格和行业的轮动，基金经理们也有不同的看法。华夏基金的量化基金经理袁英杰就告诉证券时报记者，之前他在卖方工作时，对风格和行业的轮动都做过细致、深入的研究，“到了买方之后，这部分的研究做得少了。主要考虑到，如果是用量化去做行业轮动或者风格轮动时，胜率大概能达到百分之五六十，这个胜率我个人感觉还是不够高”。
在袁英杰看来，量化模型对风格和行业进行轮动，意味着整个组合会有较高的换手率。“行业变了，就要把这个行业的股票都卖出，换仓的幅度还是比较大的，当产品达到了一定规模，调整起来就比较有难度;但如果是风格或者行业轮动的频率比较低，比如3个月左右轮动一次，那么这个量化策略的优势可能就没有那么明显，样本数量太少，对整个模型的改善就非常有限。”总体而言，袁英杰认为，在量化基金领域运用风格和行业的轮动策略，其性价比可能并不会太高。
主动偏配某些行业吗?
“量化投资是非常分散的，我一般不会选择在单一行业上做很大的暴露。”左金保告诉证券时报记者。从业绩归因来看，量化基金赚取的超额收益可能更多是在选股的维度上。在他看来，从量化的视角可能会相对审慎去看待行业配置带来的超额收益，固定地去重仓某些行业可能为组合带来稳定的超额收益，但值得注意的是，这也有可能阶段性地暴露了某些行业的风险点。
在建信基金金融工程及指数投资部副总经理叶乐天看来，量化模型是否有行业、风格的暴露，主要取决于量化基金的投资目标。如果目标是赚取纯阿尔法收益的话，可以不管行业和风格;如果目标是赚取信息比率(超额收益/跟踪误差)的话，那么就需要把这些因素都考虑进去。叶乐天及其团队为市场提供的组合是纯量化的，而且是比较传统的做法，在行业和风格上都是中性的。“我们更想给客户提供一个比较纯粹的产品。”叶乐天说。
袁英杰也有类似的观点。在他看来，量化模型在行业方面是否暴露，取决于组合的收益目标。“比如，我希望稳健一点，行业偏离就会控制得严格一点，向行业中性更靠近一点;如果我想获取更高的超额收益，行业方面就可以放松一些。”他认为，是否要对行业做偏离，也要视不同指数的情况而定。比如，对于中证300来说，如果不做行业偏配，超额收益的波动率和误差就会下降得很快;对于中证1000而言，即便不做行业偏配，波动率和误差下降得也不会很明显，但是对收益却产生了实在的损耗。“这个时候，我会选择把行业偏离放松一些。”袁英杰表示。
袁英杰坦言，自己目前的策略还是以量化选股为主，在行业方面没有什么倾向性的配置，但是在组合管理的时候会做一些风控。“对于我来说，更多的是要控制我的组合相对指数的行业偏离，以此降低组合的跟踪误差，进而降低超额收益的波动率。”
作为一位在行业轮动方面颇有心得的量化基金经理，朱宝臣明确表示自己会结合基本面的情况对行业做偏配。“我们在做量化模型的时候，会向主动管理团队请教很多，我们实际上是把他们的逻辑和数据进行模型化，达到可预测的效果。”在朱宝臣看来，在量化处理的过程中，对AI的应用有利有弊，“好处是AI的模型对数据的消化能力很强，学习新模式的速度很快，但坏处是可能出现过拟合，进而‘学习’到伪规律。所以，这个时候我觉得主动和量化的结合，在模型的特征工程方面多下功夫，通过人为的逻辑和人为的数据输入，效果会比较好。”
他表示，经过一段时间的打磨，华安基金的量化团队在行业轮动上有相对成熟的模型，模型会综合考虑行业的景气度、交易特征以及资金流等因素，对行业做出超配或者低配的投资建议。
具体来看，朱宝臣会从几个方面入手研究。从行业的景气度来看，一方面他会关注行业盈利的提升情况，另一方面他会从交易的特征去观察。“如果一个行业的基本面数据向好，但是市场对此却并不买账，那我们也会对这些基本面数据未来的可持续性保持警惕。”朱宝臣说。
朱宝臣告诉证券时报记者，行业模型相对而言是比较长期的模型，预测周期大概会有半年的时间，真正景气的趋势不会很快调转桥头，“做投资的人常说‘长坡厚雪’，这意味着景气度很难在短时间内消退”。
分行业建模暂未成主流
在采访中，证券时报记者注意到，对于如何应对大盘风格和行业的轮动，以及随之产生的贝塔收益，公募量化基金经理有各自的看法。在量化建模的具体过程中，业内的做法也不尽相同。
猫头鹰基金研究院总经理助理、研究总监伍彦妮告诉证券时报记者，市场上有部分公募量化团队针对行业进行了单独建模，也有部分量化基金经理认为，对于部分财务报表比较特殊的行业，比如金融行业，是很有单独建模的必要的。
在她看来，在建模时，通常会有四类数据被使用，第一类是财务数据，第二类是一致信息数据，第三类是另类数据，第四类则是量价数据。由于不同行业的成长逻辑不同，对应的关键数据在分析方法上肯定也会存在一些差异，因此分行业建模有一定的理论基础。
不过，基于量化投资的其他一些特点，分行业建模的做法也有一定局限性，一些量化基金经理就明确表示目前并不考虑这种方式。伍彦妮告诉证券时报记者，不支持分行业建模的基金经理主要的顾虑在两方面，一方面一旦细分行业，每个行业内的股票个数就会相对有限，“一些基金经理觉得样本的数量较少，不利于模型的准确性”。另一方面，分行业建模也是比较耗费人力物力的选择。
伍彦妮表示，如果分行业建模的话，一般要一年多的时间才能完成，过程中还需要克服一些数据不完善的障碍。根据猫头鹰基金研究院调研的结果，分行业建模目前在公募量化圈尚未成为非常主流的选择。