您的位置：首页 >财经 >

信达澳银量化多因子基金投资价值分析

时间：2019-09-24 09:19:08 | 来源：新浪财经-自媒体综合

来源：海通量化团队

摘要

1. 机器学习在量化投资中的运用

海外数据显示，机器学习在对冲基金业受到广泛关注，采用机器学习策略的对冲基金长期来看有着优异的风险收益表现。2018年BarclayHedge的对冲基金情绪调查发现，超过一半的对冲基金受访者正在使用人工智能来做出投资决策，约三分之二使用人工智能产生交易想法和优化投资组合。可见越来越多的对冲基金正在将目光聚焦于机器学习。对冲基金数据公司Eurekahedge专门编制了Eurekahedge AI指数用以反映使用机器学习策略的对冲基金的业绩表现。自2010年1月起截至2019年8月份，Eurekahedge AI指数实现了225%的累计收益，年化收益率高达12.98%，而Eurekahedge对冲基金指数同期只取得了61%的累计收益，年化收益仅为5.04%。可见采用了机器学习策略的对冲基金表现明显好于整个对冲基金行业的平均表现。。

2. 信达澳银量化多因子融合了人工智能与机器学习算法

信达澳银量化多因子混合型证券投资基金（LOF）是一只混合型量化产品，融合了人工智能与机器学习算法，基金代码为166107（A份额）、166108（C份额）。股票资产占基金资产的比例为 60%-95%。并且基金的股票量化多因子模型利用了最新扩展的大数据和非结构化数据库，包含了来自市场各类投资者、公司各类报表、分析师预测等多个维度的信息，使用决策树、随机森林、神经网络为主的深度学习等非线性机器学习模型来选择非线性因子，构建具有线性和非线性因子的综合量化多因子模型。目前基金的多因子模型选取因子分别包括价值、质量、技术、情绪、成长和一致预期六个大类。

3. 信达澳银量化多因子是我国市场第一支用量化模型进行科创板股票筛选的基金

信达澳银量化多因子基金采用主动量化模型在沪深A股以及科创板股票中进行择优选择投资。在现有量化模型基础上，会针对科创板特征增加多个指标因子，如研发投入、产品销售，寻找优秀股票。基金将重点投资成长股，利用信达澳银基金在先进制造及成长股投资业绩优势，不断加强在主板、中小板、创业板和科创板上优质成长股的投资。作为首个将科创板纳入量化选股模型的基金产品，信达澳银量化基金凭借丰富的量化投资经验和科学系统的量化选股体系，为投资者参与科创板行情提供了可选工具。

4. 信达澳银量化多因子基金管理人有着丰富的量化投资经验

信达澳银量化多因子基金管理人有着丰富的量化投资经验。信达澳银基金已经布局了丰富全面的量化产品线，覆盖了港股、创业板、科创板、主板等多个市场，涵盖了成长、价值和高股息等多个风格。信达澳银量化多因子基金的基金经理王咏辉先生，有着丰富的量化投资经验，证券基金从业超过20年，先后管理过多个量化产品，在加入信达澳银公司后，其管理的产品也取得了较好的业绩表现。

5. 风险提示。

1）机器学习模型可能会存在过度拟合的问题，导致策略样本内和样本外表现出现较大差异；2）信达澳银量化多因子为强股混合型产品，适合风险承受能力中以上的投资者持有；3）本报告基于基金客观数据进行的客观分析点评，不构成任何投资建议。

Part 1

机器学习在量化投资中的应用

1.1 机器学习的主要概念和算法

在如今这个大数据时代，机器学习正受到越来越多的注视，尤其人工智能未来的发展，也离不开机器学习的助力。而在金融领域，机器学习的应用也有可能成为量化投资的下一个飞跃。机器学习提供了一种系统化的投资方法，使管理机制化，允许管理者更快地消化来自更多新资源的信息，包括以前未开发的非结构化数据，并提供工具来搜索越来越灵活的经济模型，让这些模型更好地捕捉金融市场的复杂问题。机器学习在金融领域的发展才刚刚开始，从投资的角度来看，机器学习的相关算法有着广阔的运用前景。

监督学习可以被用于预测趋势。监督学习算法通过历史数据，可以找到规律，对未来进行预测。监督学习算法有两种形式：回归和分类方式。回归形式的监督学习方法尝试基于输入变量来预测输出。分类方法则与之相反，尝试将数据识别到已有类别中。

无监督学习可以被用于识别变量之间的关系。在无监督学习中，对于输入变量，模型并不知道其中的关联和独立变量。在高层次上，无监督学习方法被归为聚类或因素分析。聚类分析基于一些相似性概念将数据集分成较小的组。例如：它可以包含历史数据中高低波动性、经济上升和下降速率或通货膨胀的增减。因素分析旨在识别数据的主要内在规律或确定数据的最佳表示方法。在复杂资产组合中，因素分析将提炼出数据的主驱动力，如动量、价值、进位、波动或流动性。

强化学习可以被用于行动和交易的选择，以最大化收益。强化学习的目标是选择一系列成功的行动以最大化目标（或累积）收益。不同于监督学习（通常只是一步的过程），强化学习模型并不知道每一步的确切行动是什么。

深度学习可以承担起难以定义但易于执行的任务。深度学习特别适合非结构化大数据集的预处理。深度学习模型可以用虚拟财务数据来预测市场修正概率。深度学习方法基于神经网络，在网络中，每个神经元接收来自其他神经元的输入，并计算这些神经元的加权平均值。权重的计算则基于从历史数据中得来的经验。神经网络的特征指标，其中包括成本函数、优化器、初始化方案、激活函数、正则化方案。

具体到股票的量化投资方面，其实量化投资最重要的任务就是预测股票收益，以多因子模型为例，本质上来说就是根据一些技术面或者基本面历史数据，预测股票未来的价格走势。给定一段较长时间内的历史价格数据，预测任务的目标是十分清晰且可以实现的，因此预测类的任务主要使用监督学习的算法。

多因子选股策略是一种应用广泛的选股策略，其基本构想就是找到某些和收益率最相关的指标，找出股票收益率与各种指标之间的“关系”，借此“关系”建立股票组合，并期望该组合可以跑赢指数。在以往的模型中，线性回归是多因子选股策略最常用的方法，它用过去的股票的收益率对多因子进行回归，得到一个回归方程，然后把当下的因子数值代入回归方程得到未来股票的预期收益，最后以此为依据进行选股。在这种方法下，实际上默认股票收益率与各种指标之间的“关系”是线性的，而将机器学习最大的好处是可以突破线性的限制条件，运用机器学习算法，描述因子与股票收益的非线性关系，实现更精准的拟合，从而更好的预测股票未来表现。

从实践的角度来看，机器学习所做的工作是在现有因子的数据集上建立模型，对股票收益率进行拟合，然后对模型进行评估和优化。用机器学习做模型预测有一套基本流程：数据获取、数据预处理、模型训练、模型评估和模型预测。而采用不同机器学习模型对数据进行训练，模型拟合优度和预测效果也会有差别。

在量化投资层面，机器学习相对于传统模型的改进主要体现在其对非线性关系的刻画上。传统的量化多因子模型假设因子与股票表现的关系是线性的，因此常常使用回归算法，而机器学习中的很多算法都打破了线性的限制，允许模型使用非线性的方法对历史数据进行拟合，相对于传统的线性模型一般拟合效果要更好，误差会更小。但是使用机器学习需要注意的是过度拟合问题，过度拟合会导致模型的训练效果很好，但是应用在测试集后表现并不理想。同时机器学习的学习过程是一个黑箱，很多时候模型的可解释度不如线性模型。主要模型包括决策树、Bagging、随机森林、Boosting、Adaboost、Stacking和神经网络等。

1.2 机器学习在实际投资中的应用

随着人工智能（AI）应用的进一步深化，机器学习正在吸引越来越多资管公司的关注。在2018年9月的BarclayHedge的对冲基金情绪调查发现，超过一半的对冲基金受访者（56％）正在使用人工智能来做出投资决策，几乎是一年前报告（20％）的三倍。大约三分之二使用人工智能产生交易想法和优化投资组合。超过四分之一的人使用它来自动执行交易。可见在对冲基金内部而言，越来越多的公司正在将目光聚焦于机器学习策略。

对冲基金数据公司Eurekahedge专门编制了Eurekahedge AI指数用以反映使用机器学习策略的对冲基金的业绩表现。该指数使用等权编制，但目前只覆盖了15家对冲基金。

Eurekahedge数据显示，自2010年1月起截至2019年8月份，Eurekahedge AI指数实现了225%的累计收益，年化收益率高达12.98%，而Eurekahedge对冲基金指数同期只取得了61%的累计收益，年化收益仅为5.04%。可见采用了机器学习策略的对冲基金平均表现好明显好于整个对冲基金行业。并且从历年表现来看，Eurekahedge AI指数仅在2018年出现了4.31%的亏损，其余年份均实现了正的绝对收益，整体表现稳健。同时，Eurekahedge AI指数年化波动率仅为5.86%。可以说，从海外的数据来看，采用机器学习策略的对冲基金长期以来有着优秀的风险收益表现。

事实上，许多对冲基金公司正在使用人工智能分析大量数据，修正可能的供需失衡，或者预测战术资产配置可能导致的市场变动。近年来，也出现了一类基于机器学习和人工智能算法的对冲基金公司，例如Aidiyia Holdings，Cerebellum Capital，Taaffeite Capital Management和Numerai。而传统的对冲基金巨头，包括桥水基金、Two Sigma、Man Group、Winton、DE Shaw等也在进一步加大自己在机器学习方面的投入。

全球最大的对冲基金桥水（Bridgewater）早在2013年就开启一个新的人工智能团队，由曾经供职IBM并开发了认知计算系统Watson的David Ferrucci领导。

2017 年 5 月，机器之心就报道过微软首席人工智能科学家邓力离职，加盟对冲基金巨头Citadel。在此之前，Citadel还雇佣了来自德意志银行、专注机器学习的量化交易专家Christian Hesse。Citadel作为对冲基金巨头，管理规模目前超过300亿美元。

在人工智能领域鼎鼎大名的卡耐基梅隆大学机器学习系主任 Manuela Veloso 2018年5月加入摩根大通，担任人工智能研究院负责人。随后，摩根大通的资产管理部门还宣布正在计划一项策略，着重投资于机器学习统计套利对冲基金。根据今年6月其提交给监管机构的文件，其成立了机器学习基金有限公司，将管理摩根大通规模150亿美元的对冲基金FOF。

华盛顿大学计算机科学与工程学教授，《The Master Algorithm》作者 Pedro Domingos于2018年 8 月 27 日加入DE Shaw集团，成为公司新成立的机器学习组的总经理与负责人，新成立的机器学习组将独立于公司已有的机器学习与人工智能研究部门，且使用学界的研究方法。DE Shaw作为对冲基金巨头，目前管理着超过 500 亿美元资产规模。

而在国内，越来越多的私募基金也在把机器学习运用到其量化策略中去。据我们的了解，机器学习的加入对于私募量化基金收益的改善十分显著，机器学习在A股市场也有广阔的用武之地。

Part 2

信达澳银量化多因子基金简介

国内量化产品发展同质化严重，而机器学习策略在海外对冲基金和国内私募量化产品中应用广泛，表现优异。因此信达澳银凭借其丰富的量化投资经验，发行了信达澳银量化多因子混合基金。

2.1 基金基本信息

信达澳银量化多因子混合型证券投资基金（LOF）是一只混合型量化产品，股票资产占基金资产的比例为 60%-95%。并且基金的股票量化多因子模型利用了最新扩展的大数据和非结构化数据库，包含了来自市场各类投资者、公司各类报表、分析师预测等多个维度的信息，使用决策树、随机森林、神经网络为主的深度学习等非线性机器学习模型来选择非线性因子，构建具有线性因子和非线性因子的综合量化多因子模型。

从基金的费率结构来看，信达澳银量化多因子混合基金在管理费与托管费方面基本与其他量化LOF产品持平，而在认购、申购方面，信达澳银量化多因子混合基金在金额超过50万元时，有一定的费率优势，认购、申购成本更低。

信达澳银量化多因子混合基金采用主动量化多因子选股模型，其量化投研平台具备500多个因子，通过量化多因子来研究和寻找市场规律，每个因子都是基于一些长期的市场投资理念和数据，也必须有预测性和长期稳定。在搭建多因子选股策略后，信达澳银会利用其云计算平台，帮助实现专业策略回测框架、系统策略分析工具和模拟实盘交易的快速落地。

2.2 多因子选股策略

信达澳银多因子混合基金的多因子选股策略，通过捕捉多种驱动股票价格变化的因素（因子），对股票的预期收益率和风险进行预测，并在此基础上构建相应投资组合的主动投资管理过程称为多因子模型投资。目前多因子模型，选取因子分别包括价值、质量、技术、情绪、成长和一致预期六个大类。

同时在搭建多因子策略的过程中，信达澳银融入了人工智能策略和机器学习算法，从500多个备选因子库中甄别出有效的选股因子，充分考虑各方面因素，根据目标约束（包括是否考虑行业中性，对因子权重的限制等），构建最终的选股组合。

从整体来看，信达澳银量化多因子混合基金有着十分完善的投资体系，整个流程包括数据预处理、多因子研究、模型构建、组合优化、交易执行、事后绩效归因。在构建组合之前，就耗费了大量精力对海量的数据进行处理和清洗，追求对数据更准确更精细的刻画。在构建组合过程中，根据不同的需求对组合的风险约束、行业约束、换手约束和风控约束进行调整，进行组合优化。在策略执行层面，信达澳银充分考虑了组合的调仓频率和资金规模，采用自动化的算法交易，尽可能地控制组合的交易成本。在落实策略后，信达澳银还会定期对组合进行事后的绩效归因，详尽地分析组合的风险暴露和收益来源，更细致的了解策略的实际表现。

2.3 LOF产品的优势

信达澳银量化多因子混合基金是一个LOF产品，即上市型开放式基金（Listed-Open-Ended Fund），是一种可以在交易所挂牌交易的开放式基金。

LOF同时存在一级市场和二级市场，可以像开放式基金一样通过基金发起人、管理人、银行及其他代销机构网点进行申购和赎回。同时，也可以像封闭式基金那样通过交易所的系统买卖。LOF相对于普通基金，有着十分显著的优势。

1）费用相对较低

比起普通开放式基金申购、赎回双向费率，LOF基金在交易所交易的费用收取标准比照封闭式基金的有关规定办理，交易手续费率相对较低。

2）资金到账快

采用场外交易方式，T日申购的基金份额，T+2日才可赎回，资金从赎回日起3到7个工作日才可收到。而场内交易，可以实现T+1基金交割、资金交收。

3）存在套利机会

当市场价格﹥基金份额净值（申购日）+申购费用+卖出佣金时，投资者可通过选择“场内申购”基金份额后（T+2个工作日）再“场内卖出”份额实现套利。当市场价格﹤基金份额净值（赎回当日）-赎回费用-买入出佣金时，投资者可通过“场内买入”基金份额后（T+1个工作日）再“场内赎回”份额实现套利。

4）交易方便

LOF基金可以让投资者像买卖股票或封闭式基金一样在二级市场进行交易，方便投资者更快的把握行业轮动与市场择时。

5）参与科创板投资更为便捷

相比较普通投资者严格的科创板股票投资准入标准，通过投资LOF基金参与到科创板投资更为便捷。

2.4 投研团队

信达澳银基金成立于2006年6月5日，是国内首家由国有资产管理公司控股的基金管理公司。截至2018年12月31日，公司资产管理总规模274.88亿元。其中公募基金总规模142.69亿元，专户总规模132.19亿元。公司公募产品21只，覆盖股票、指数、量化、债券、货币。

信达澳银旗下研究团队拥有超过12年的投资经验，历经多轮牛熊，投资经验丰富，现有基金经理10人。

信达澳银基金还专门设立了全新智能量化与资产配置总部，致力于智能量化投资与研究。截至2018年12月31日，信达澳银基金已经布局了丰富全面的量化产品线，覆盖了港股、创业板、科创板、主板等多个市场，涵盖了成长、价值和高股息等多个风格。

Part 3

信达澳银量化多因子产品特色

3.1 作为量化投资产品

作为一只量化基金，信达澳银在信息获取和处理信息速度方面有着显著的优势，对信息的快速处理能帮助基金覆盖更多的股票，扩大产品的投资范围。

同时，量化投资相对于主动投资，有着更高的投资效率；并且，量化投资保证了模型的独立自主和自我学习的有效性，最大限度地减少了人性弱点可能带来的错误，即使对于基本面观点也可以进行系统性的执行，计算机和大数据的结合使交易回测更准确，增强投资的确定性。

3.2 第一支用量化模型进行科创板股票筛选的基金

信达澳银量化多因子基金是信达澳银第一支用量化模型进行科创板股票筛选的投资基金，采用主动量化模型在沪深A股以及科创板股票中进行择优选择投资。在现有量化模型基础上，会针对科创板特征增加多个指标因子，比如研发投入、产品销售指标，寻找优秀的股票。信达澳银量化多因子基金将重点投资成长股，利用信达澳银基金在先进制造及成长股投资业绩优势，不断加强在主板、中小板、创业板和科创板上优质成长股的投资。

科创板重点支持新一代信息技术、高端装备、新材料、新能源、节能环保以及生物医药等高新技术产业和战略新兴产业，推动互联网、大数据、云计算、人工智能和制造业深度融合。从上交所在科技创新咨询委员会拟聘的专家领域来看，重心为集成电路、生物医药、人工智能、大数据、云计算、软件、互联网、物联网、新一代移动通信服务（5G）等新一代信息技术领域、航空航天、海洋工程、先进轨道交通、高端数控机床和机器人等高端装备制造领域，以及新材料、新能源汽车等。科创板的相关企业以高新技术和新兴产业为主，是中国未来产业升级的发展方向和重点领域，有着重大的投资前景。

科创板自正式开板以来表现亮眼，但是，对于个人投资者而言，参与科创板投资的门槛较高，投资难度较大。因此，投资者想要参与科创板投资时，很多都需要借助公募基金的。而作为首个将科创板纳入量化选股模型的基金产品，信达澳银量化基金凭借丰富的量化投资经验，更为科学系统的量化选股体系，为投资者参与科创板行情提供了可选工具。

3.3 人工智能与机器学习算法

由于我国市场较为严格的投资限制，公募量化基金策略同质化严重，很多量化基金在近年来表现不佳。而海内外的数据均显示，将机器学习加入到量化多因子模型中，可以进一步增强组合的收益表现。根据Eurekahedge的统计，海外运用机器学习策略的对冲基金近年来表现显著优于对冲基金行业的平均水平，而国内也有多家私募机构通过机器学习实现了更为优异的业绩。

但在我国公募量化基金中，采用机器学习策略的产品并不多。信达澳银多因子量化基金在多因子模型中加入了人工智能和机器学习的算法，使用决策树、随机森林、神经网络为主的深度学习等非线性机器学习方法来选择非线性因子，构建具有线性因子和非线性因子的综合量化多因子模型。提供了投资者不一样的选择。

3.4 管理人具备丰富的量化投资经验

信达澳银量化多因子基金的基金经理是王咏辉先生。王咏辉先生，是英国牛津大学工程科学本科，牛津大学计算机科学硕士，证券基金从业超过20年。同时，王咏辉先生还是中国量化投资俱乐部第三任理事长，英国基金经理从业资格（IMC）和英国IET颁发的特许工程师（CEng）认证资格，中国科学院大学管理学院MBA企业导师。

王咏辉先生有着丰富的量化投资经验，先后管理过多个量化产品。王咏辉先生自1998起曾任职于伦敦摩根大通投资基金管理公司、HSBC、Barclays Global Investor、Barclays Capital等知名公司。2008年1月回到中国担任泰达宏利基金公司国际投资部负责人、量化投资部负责人等职，2010年4月至2012年8月担任泰达宏利沪深300指数增强指数型证券投资基金基金经理，2011年7月至2012年8月担任泰达宏利全球新格局(QDII-FOF)证券投资基金基金经理。2013年12月起担任鹏华中证500指数基金（LOF）基金经理，2014年12月起担任鹏华沪深300指数基金（LOF）基金经理。

王咏辉先生于2018年加盟信达澳银基金管理有限公司，担任公司副总经理兼投资总监。2018年6月起担任信达澳银新起点定期开放灵活配置混合型基金基金经理，2018年12月起担任信达澳银领先增长混合型基金基金经理，2019年4月起还担任信达澳银转型创新股票型基金基金经理，信达澳银中证沪港深高股息精选指数型证券投资基金基金经理。

自王咏辉先生加入信达澳银公司以来，其管理的产品取得了较好的业绩表现。以信达澳银领先增长混合型基金（610001.OF）为例，王咏辉先生担任基金经理以来，对产品投资策略进行了调整，采用了量化增强投资策略，通过数量化的方法进行积极的组合管理与风险控制，力争获得更高的投资收益。截止至2019年9月12日，信达澳银领先增长混合型基金今年以来取得了41.31%的收益，相对业绩比较基准有15.36%的超额收益，相对沪深300有9.37%的超额收益，相对中证500有15.53%的超额收益，相对中证1000有15.06%的超额收益。因此，信达澳银领先增长在今年相对于主流的宽基指数均取得了更好的业绩。