基金经理量化体系与投资风格概览 [page::0][page::3]

• 六位基金经理包括艾定飞、邓默、胡崇海、刘斌、刘洋、张凯，从单纯量化到主观融合型，策略涵盖多因子模型、深度学习和机器学习技术。

- 纯量化侧重机器学习和高频量价因子的深度运用，融合型则将主观投研成果与量化模型结合，注重量化因子逻辑与基本面解释。

艾定飞——多因子+深度学习模型驱动阿尔法 [page::3][page::4][page::5]

• 以基本面因子（占比70%）为主捕捉长期alpha，中高频量价因子（30%）捕捉短期非理性行为。

- 结合纯量价深度学习模型产生低相关性超额收益，持仓偏好大市值、基本面优质个股。

• 2023年以来华商计算机行业量化基金回报率16.68%，超额回撤逐年收窄。

风险收益及组合特征详解——严格行业与成分股偏离控制 [page::5]

• 管理期间行业偏离度和成分股偏离度均控制在1%以内，换手率较低约1.06倍，显示选股以大盘股优选为主，调仓节奏稳定。

因子暴露与收益归因分析 [page::6]

| 因子 | 2022年年报相对暴露 | 2022年年报相对收益 |
|------------|-----------------|----------------|
| 规模因子 | 0.18 | 0.00% |
| 质量因子 | 0.19 | 0.08% |
| 成长因子 | 0.08 | 0.63% |
| 波动因子 | 0.31 | 1.24% |
| 动量因子 | 0.45 | 0.63% |

• 投资倾向于规模因子、质量因子和成长因子的正暴露，波动因子与动量因子贡献明显正收益，选股收益是超额回报核心来源。

邓默——自上而下+量化选股 [page::6][page::7][page::8]

• 使用宏观指标指导资产配置，重点关注行业景气度和ROE指标，行业因子基于主动投研和卖方合作。

- 量化选股模型含盈利、成长、市值、流动性、估值五大因子，权重约35%盈利成长因子。

• 组合倾向中小市值科技资产，换手率较高，2022年半年单边换手率达5.38倍。

胡崇海——基本面+高频量价深度融合，双驱动机器学习与深度学习模型 [page::9][page::10][page::11]

• Alpha因子库超1500个，50%以上因子来自高频量价，多个子模型等权合成，实时尾盘调仓。

- 严格风险控制，风险因子及行业偏离限于极小范围内，换手率显著高，半年单边超13倍。

• 选股持成长、Beta、动量因子，规避规模、波动、流动性因子，组合偏好成长小市值股票。

刘斌——多因子+主动投研融合，重视风险控制与产业链数据约束 [page::12][page::13]

• 多因子+产业链维度风险模型，采用传统因素和升级的机器学习行为因子，结合主动研究构建行业定价模型。

- 持仓偏好基本面优良、低估值、低波动的中小市值股票，换手率低且稳定。

• 行业偏离控制严格，成分股外持仓比例较高，能有效捕捉市场超额收益。

刘洋——多因子模型+行业轮动、风格轮动体系，数据源扩展至高频与另类因子 [page::15][page::16][page::17]

• 选股核心以基本面因子为主，配合情绪、技术、研究员选股因子，布局风格和行业轮动体系。

- 强调因子背后逻辑与模型适用环境识别，多策略组合风险敞口严格控制。

• 行业偏离、成分股偏离及换手率均维持较低水平，体现低换手、稳健风险管理。

张凯——多因子核心+卫星多策略融合，人工智能因素创新应用 [page::18][page::19][page::20]

• 核心多因子权重约50%，辅以风格轮动、行业轮动、人工智能深度学习模型等卫星策略分仓管理。

- 人工智能策略覆盖结构化多频数据，提升因子维度与特征捕捉能力。

• 成分股行业偏离度和成分股偏离度低且呈下降趋势，体现较强的风险控制能力。

- 选股收益是主要超额贡献来源，行业配置与打新贡献有限。

团队及行业动态 [page::0][page::20]

• 六位经理所处机构量化团队均具备核心成员稳定、资源共享及技术研发优势，覆盖指数增强与主动量化领域。

- 机器学习与深度学习技术持续推进基金经理量化模型升级，成为超额收益和风险控制双重驱动的关键。

机器学习or主动量化，突破壁垒的策略之道——国金证券公募指增及量化基金经理精选报告详解

---

一、元数据与报告概览

• 报告标题：机器学习or主动量化，突破壁垒的策略之道

- 发布机构：国金证券研究所

• 发布日期：2023年6月18日

- 报告类型：基金投资策略报告，证券研究报告

• 主要分析对象：公募市场内重点量化和主动量化基金经理（艾定飞、邓默、胡崇海、刘斌、刘洋、张凯等六位）

- 核心主题：深入探讨公募量化投资领域的最新趋势，分析机器学习、深度学习与传统多因子主动量化选股模型在基金经理投资策略中的融合与实践，突出量化投资与主观研究的结合对突破传统量化困境的重要作用。

• 目标：通过对六位基金经理及其量化框架、风险控制、投研团队和产品绩效的多维剖析，为投资者提供量化和指数增强基金经理的精选解析和投资参考。

- 风险提示：主要包括地缘政治风险、新冠疫情不确定性、海外货币政策紧缩缓和不及预期及国内政策经济复苏等市场波动风险[page::0,3]。

---

二、逐节深度解读

2.1 总体行业及基金经理策略框架解析

报告开篇揭示当前公募量化领域的两大挑战：

1. 传统量化基本面研究深度受限，量价因子迅速失效。

2. 两类策略主流路径逐渐形成：
- 基于机器学习、深度学习挖掘高纬度的中高频量价因子特征。
- 将主观投研成果深度融合进量化模型，结合个股/行业深度研究逻辑。

六位基金经理以这两条道路为代表，前两者（艾定飞、胡崇海）侧重纯量化路径，强调模型迭代及量价因子深耕；后四者（邓默、刘斌、刘洋、张凯）强调量化与主观研究融合，重视基本面因子之逻辑严密性和可解释性[page::0,3]。

2.1.1 图表1基金经理量化投资特点

该表详细列出了六位基金经理所在基金公司、量化体系特点、核心Alpha模型、因子种类及挖掘方式、其他选股模型、风险控制、量化团队规模及合作模式。核心信息包括：

• 多因子模型普遍存在。

- 量价因子与基 面因子权重分配各有差异，沪深300、电子板块等均嵌入特色因子。

• 风险管理层面多沿用Barra模型，但有基金经理自行开发优化器实现信息比率最大化。

- 量化团队规模从6至30人不等，含专职机器学习及AI研究人员。

• 量化与主动研究合作频繁，尤其后四位经理极重视基本面投研成果的融入[page::3]。

---

2.2 艾定飞：多因子为核心，深度学习附加超额

投研策略特点

• 模型框架以量化多因子选股为核心，包含七大维度超250个因子，包括基本面（占70%）、量价（占30%）、分析师预期、事件、另类等，特别针对计算机、电子行业增加研发投入、专利等科技成长独有因子。

- 因子挖掘精细且差异化，深耕高频数据中低频化处理和事件因子时间衰减。

• 深度学习模型基于纯量价因子，采用调整后的ResNet进行分钟级数据处理，仓位约10-15%，低相关性支持贡献额外alpha。

产品表现

• 重点管理“华商计算机行业量化”等4只基金，资产规模12.67亿元。

- 2023年年初AI板块阶段性上涨推动“华商计算机行业量化”今年收益16.68%。

• 超额稳定性提升，超额回撤逐年收缩，今年以来仅5.10%。

风险收益及组合特征

• 严格执行Barra风险模型，优化目标最大化信息比率，行业偏离0.81%，股票偏离0.91%，成分股外配置有限（5.28%）。

- 换手率较低，半年单边换手约1.06倍，2022年末因深度学习模型部分增加略有提升。

• 因子暴露显著偏向规模、质量、成长，波动和动量因子的正向暴露提供积极贡献。

超额归因

• 行业配置与个股选择均贡献超额收益，尤其选股alpha占主导。

- 基金主要在计算机板块内精选业绩优秀、估值合理的大市值股票。

---

2.3 邓默：自上而下+主动量化助力组合构建

投研策略框架

• 采用自上而下思想，基于宏观指标判断资产配置优先级（2022年前偏科技消费金融，后纳入周期资产）。

- 行业选择以景气度因子（60%权重）和行业ROE（40%权重）为核心，数据与卖方研究合作。

• 多因子量化选股模型涵盖盈利、成长、市值、流动性、估值因子，盈利/成长占比最大，因子数20-30个且等权。

- 灵活交易策略，小频大调、大频中调，个股权重主观把控不超4%。

产品表现与风险管理

• 旗下6只量化基金，资金规模16.39亿元，代表产品“华商新量化”年化9.62%，累计109.27%回报。

- 今年以来表现中游，超额稳定性提升，超额回撤8.75%明显收窄。

• 行业偏离平均3.38%，股票偏离2.21%，成分股外配置46.10%，换手率半年单边达5.38倍，显著高于行业平均，体现积极调仓特点。

因子暴露及贡献

• 正向暴露在波动、流动性、动量因子，负向偏向规模和价值因子。

- 行业配置有效，选股收益与行业配置贡献均衡，尽管2022年因行业轮动加快使行业配置收益回落。

---

2.4 胡崇海：基本面+高频量价因子深度融合，机器学习复合驱动

量化体系

• 因子库1500+，覆盖基本面、技术面、高频及另类数据，且为实时计算。

- 基本面因子占30%，高频因子占70%，构建12个子模型，传统机器学习与深度学习并行，等权合成综合因子。

• 因子失效与权重自动调整，尾盘频繁交易以充分利用日内量价信息。

- 风控严格，风险因子限制在0.2倍标准差以内，行业偏离低于1%。

代表产品

• 管理国泰君安中证500、1000指数增强及量化选股基金等共5只产品，规模23.33亿元。

- 任职以来中证500、1000指数增强分别实现7.10%、9.64%年化超额，且超额回撤不到1.2%，表现出优秀的风险调整能力和稳健性。

• 换手率较高，半年单边换手率超13倍，因高频量价因子权重高且预测周期短（主要为2天及5天）。

因子暴露与收益归因

• 长期正暴露成长、Beta及动量，负向暴露规模因子。

- 产品选股效果稳健，行业配置贡献较国泰君安中证500更为突出。

• 打新收益为指数增强部分提供额外增益。

---

2.5 刘斌：量化多因子结合主动研究，风险管理全面升级

投资逻辑

• 结合嘉实投研平台基本面研究，构建系统的量化+主动投研融合框架，囊括风险、因子、细分行业配置及系统化主动投研。

- 多因子模型选股因子100+，采用ICIR动量权重，掺入部分高频因子升级行为因子。

• 行业配置约束通过主动研究团队的三级行业景气度评分导入风险模型，规避成长行业趋势误判。

- 主动投研融入传统行业以外部分探索成长型行业研究员指标转量化因子。

组合风险控制

• Barra风险模型加产业链约束及新增风险因子持续完善风险管理，重点控制一级行业偏离（约1%以内）。

- 管理期间行业偏离极低（约0.7%-1%）、成分股偏离低至0.34%，但成分股外配置占比高达65.47%（体现全市场灵活选股）。

绩效及风格偏好

• 嘉实量化精选自任职以来年化7.54%、年化超额7.39%。

- 持仓偏好基本面良好的中小市值标的，低估值、低波动，换手率为半年单边2.54倍，明显低于中证500指数增强平均。

• 因子暴露质量、成长、价值、Beta显著正向，动量、规模、杠杆和波动为负向。

---

2.6 刘洋：侧重基本面因子，强调行业与风格轮动风控

策略框架

• 多因子选股为核心，因子涵盖基本面、情绪、技术及研究员选股，因子数量200+，核心选用100+动态因子，动量加权。

- 扩展数据引入高频量价及另类数据，结合研究员选股因子加强模型解释力与基本面深度。

• 行业轮动体系以景气度、资金流、拥挤度为指标，叠加风格轮动体系用以风险因子约束和因子权重动态调整。

- 卫星策略包括景气驱动、均衡风格、小盘量化策略等，用以多策略提升组合风险收益。

风控与运作

• 风险模型基于Barra，辅以十余个基本面因子，并设有负面股票池制度剔除高风险个股。

- 行业偏离严格控制，平均行业偏离0.51%，成分股偏离0.57%，成分股外配置逐年降低至12.46%。

• 换手率低（半年单边2.24倍）且不断下降，体现对基本面因子的高度依赖。

绩效亮点

• 泰达宏利沪深300指数增强任职以来实现年化11.5%，年化超额6.81%，超额回撤控制良好（任职以来3.5%）[page::12-17]。

---

2.7 张凯：多因子核心，卫星策略多元融合，灵活匹配市场节奏

策略体系

• 核心为量化多因子选股，占组合50%，其余为卫星策略涵盖行业轮动、风格轮动及人工智能策略，策略间低相关以提升超额收益稳定性。

- 多因子模型偏重价值、成长、盈利、分析师及技术面因子；采用动量加权调整因子权重。

• 行业风格轮动基于领先指标（宏观波动率、信用利差）、行业业绩增速相对指标及政策数据，赋予超低配调节。

- 人工智能策略侧重深度学习与神经网络，处理结构化高频及财报、产业及宏观数据，模型自动调整权重因子。

风控管理

• 自研Barra模型本土化，融入创业板、科创板因子，严格市值、行业、风格等因子风险约束。

- 持仓股票数多，分仓策略实施使得行业偏离及成分股偏离持续降低（行业偏离约0.9%，成分股偏离从0.17%降至0.14%）。

• 成分股外配置较低（约5.4%），体现保守风格，适合增强ETF创新产品定位。

绩效表现

• 任职以来，银华中证1000增强策略ETF绝对收益4.27%，年化超额7.64%，超额回撤1.34%。

- 产品收益主要源来自选股，行业配置收益有限，呈现成分股内外超额收益从内向外转变趋势。

---

三、图表深度解读

• 图表2&3（艾定飞）：展示了基金的季度管理规模增长与对应累计收益曲线。2023年Q1管理规模继续上升至12.67亿元，2023年累计收益走高16.68%，与AI板块上涨强相关[page::4]。

• 图表5-7展示了华商计算机行业量化基金行业偏离（控制在0.81%以内）、成分股偏离（0.91%）、换手率平均1.06倍，体现出低行业及个股偏离与较低换手率的稳健组合管理特征[page::5]。

• 图表8-11详细呈现艾定飞代表产品相对因子暴露（规模、质量、成长等正向，价值负向），因子贡献（波动因子贡献显著），以及Brinson归因结果，最大超额来自选股收益，成分股内超额收益远高于成分股外[page::6]。
• 图表12-14（邓默）反映管理基金总规模16.39亿元，累计回报领先沪深300，风险指标合理，换手率高达5.38倍（远高于沪深300指增基金平均），成分股外配置高达46.1%，体现积极的调仓交易特征[page::7]。
• 图表15-19揭示邓默产品行业偏离3.38%，成分股偏离2.21%，因子暴露正向动量、流动性、波动，负向规模和价值。因子收益受波动因子贡献明显，Brinson归因显示选股与行业配置均贡献稳定收益，但2022年行业配置收益回落[page::8-9]。
• 图表22-27（胡崇海）管理规模23.3亿元，代表产品年化超额7-9.6%，超额回撤控制低于2%，换手率极高（半年13.23倍）。行业及成分股偏离限制严格（行业偏离约0.7%，成分股偏离0.33-0.13%）[page::9-11]。
• 图表28-31中，国泰君安指增强基金维持持续正向成长、动量暴露，负向规模因子。Brinson归因显示打新贡献突出，选股与行业配置均有贡献，尤其是中证500基金行业配置收益显著[page::11]。
• 图表32-38（刘斌）嘉实量化精选49.69亿元资产，累计收益稳定，超额收益保持良好。行业偏离度0.7%-1%，成分股偏离0.3%-0.9%，换手率较低（半年2.54倍），符合稳健的基本面量化策略[page::12-14]。
• 图表39-42反映投资组合倾向低估值、低波动中小盘基本面优质资产。Brinson归因展示该基金整体超额收益主要来自打新和选股，行业配置贡献波动较大[page::14-15]。
• 图表43-48（刘洋）泰达宏利沪深300指数增强基金9.3亿元，年化超额6.81%，行业偏离长期低于0.5%，成分股偏离约0.5%，换手率低于沪深300指数增强均值，体现基本面稳健特征[page::15-17]。
• 图表49-50显现投资组合正暴露于质量、成长、价值，负暴露Beta和部分波动，因子贡献中价值和质量带来良好正收益[page::17]。
• 图表51-57（张凯）银华1000增强策略ETF管理规模接近20亿元，收益稳健，成立时间较短（2022年末），行业偏离约0.9%，成分股偏离降至0.14%，换手率维持在低位。因子暴露明显偏向质量、成长和价值，负向规模、Beta及流动性因子[page::18-19]。
• 图表58-60整体收益主要受选股贡献驱动，成分股外贡献逐渐增强，团队由多元背景组成，注重AI研究与前沿技术应用[page::19-20]。

---

四、估值分析

报告以基金经理管理的量化和指数增强基金为对象，不涉及传统意义上的企业估值模型，但对每只基金的性能表现、风险调整、行业与股票偏离度、换手率及超额收益等进行了详尽的量化分析，体现了各经理基于量化多因子模型、机器学习及深度学习等技术工具管理资产、挖掘alpha的策略估值基础。

不同基金经理基于因子池、权重设定及风险预算构建各异的量化框架，体现“模型估值”体系：

• 采用Barra及自研风险模型严格控制组合与基准的行业、风格风险敞口。

- 通过多因子因子暴露及归因分析定量评估因子alpha贡献及驱动因素。

• 结合换手率等交易指标纳入预测能力和成本考量，实现投资组合价值最大化。

报告不涉及传统DCF或市盈率估值，量化基金的价值体现为超额收益率和风险调整水平，并通过信息比率等指标反映。敏感性分析隐含在因子的动态加权、失效因子剔除和交易频率调整机制中[page::4-20]。

---

五、风险因素评估

报告多次强调宏观政策和市场环境不确定性，具体风险点包括：

• 地缘政治紧张：俄乌冲突升级或引发全球市场大幅波动。

- 疫情持续风险：新冠病毒变异影响全球及中国经济复苏节奏。

• 海外货币政策风险：海外加息政策可能延缓，导致金融市场震荡。

- 国内经济及政策执行：经济复苏不及预期或政策力度不足可能拖累市场。

• 模型风险：量价因子快速失效，模型需持续迭代升级，机器学习模型存在过拟合和解释性不足风险。

- 流动性风险：部分基金换手率较高，急速调仓可能产生市场冲击成本。

多数基金经理配套了严格风险控制系统（如行业偏离不超过1%，个股偏离极小），并有动态调仓及风格、流动性约束，有效缓解部分市场风险[page::0,4,10,18,20]。

---

六、批判性视角与细微差别

• 量价因子失效问题：报告普遍提到传统量价因子有效期短，这促使基金经理依赖更复杂的机器学习模型，然而深度学习虽能提升拟合度，模型解释性及稳定性存在较大挑战，报告中对该潜在风险提及有限。

- 主观研究融合程度差异：四位侧重融合的经理中，主观研究与量化的耦合紧密程度与依赖度存在差异，个别基金经理在“主观指导”作用的应用细节较为模糊，是否存在主观判断过度干预模型的可能值得关注。

• 换手率与成本考虑：部分基金换手率明显高于行业均值，如胡崇海产品半年超13倍，成本控制难度加大，但报告中对交易成本及其影响讨论有限。

- 基金规模与流动性：报告部分基金规模处于中小区间，流动性压力可能被低估，尤其是在极端市场情绪下。

• 模型披露完整度：因篇幅限制，部分模型技术细节未全面披露，外部投资者对算法透明度及参数稳定性难作深入判断。

整体，报告以客观视角梳理了基金经理策略框架和风险控制，但对机器学习模型潜在过拟合、主动投研与量化融合的风险偏向乐观，投资者应当结合自身风险偏好审慎参考[page::3-20]。

---

七、结论性综合

国金证券团队通过系统梳理了国内公募市场六位主要量化及指数增强基金经理的投资策略，全面揭示了量化选股策略的多样化路径及技术创新趋势。核心结论如下：

• 双轨发展：

- 纯量化方向（艾定飞、胡崇海）基于多因子框架结合机器学习、深度学习，在量价因子深耕及模型自动化权重调整方面具备优势，赋能行业个股内部优选，且风险控制严格。
- 量化与主动融合方向（邓默、刘斌、刘洋、张凯）紧密结合基金投研平台基本面研究，侧重行业景气度、行业定价逻辑及主观因子的量化转化，追求因子可解释性与稳健性。

• 因子体系多元丰富：跨越基本面、技术面、高频量价、另类数据，创新信息挖掘提升alpha捕捉能力。部分经理已将400-1500+因子纳入模型体系。
• 风险控制多样严谨：多承袭Barra风险模型，辅以自研优化器及多级行业偏离控制，个股偏离度普遍在0.1%-1%以下，结合流动性和风格约束，动态监控调整。
• 运行表现稳健，超额收益可期：多个代表产品历史超额收益均显著正向，联合换手率、超额波动指标，显示结构性风险控制与收益稳定的兼顾。
• 机器学习助推量化升级：深度学习模型成为新的alpha来源，特别是在中高频量价因子应用表现突出，但同时需关注模型复杂度带来的潜在风险。
• 多策略融合提升稳定性：银华张凯的“核心+卫星”架构彰显了多策略低相关多元配置对超额收益稳定增长的贡献。
• 基金经理团队建设多元，且注重跨部门协作：量化团队成员背景丰富，技术、投研、交易协同，母公司资源支持明显，有利于模型更新和产品创新。

图表数据充分反映了上述结论：

• 多基金经理产品均实现行业偏离及个股偏离控制，换手率差异反映策略风格偏好。

- 超额收益主要驱动来自选股alpha，打新及行业配置为辅助。

• 因子暴露和收益贡献表现符合基金经理策略定位，且年度表现稳定。

整体看，该专题报告对当前公募量化与指数增强基金经理的策略框架与性能表现提供了极具参考价值的洞察，印证了机器学习与主动投研的融合能够有效突破传统量化策略瓶颈，带来显著超额收益、增强风险控制，是未来公募量化进阶发展的重要方向。

投资者在参考本报告精选基金经理和策略时，应密切关注宏观政策、地缘政治、疫情及海外货币政策变动等外部风险，以及机器学习模型运行的非线性风险和主动投研判断的执行风险，结合自身风险偏好做出科学配置选择。

---

附录：报告中主要重要图表示例

• 图表3（华商计算机全年累计收益趋势）：显示2019年至今稳健回报，2022年下跌后在2023年初强劲反弹，期待AI产业东风推动[page::4]

• 图表7（华商计算机行业量化换手率）：去年以来换手率有所上升但仍低于1.2倍，体现低换手策略[page::5]

• 图表10（华商计算机行业量化Brinson归因）：选股收益为主要贡献，说明模型在行业内部个股选优能力突出[page::6]

• 图表17（华商新量化换手率及对比）：远高于沪深300指增平均，代表策略更为活跃[page::8]

• 图表27（国泰君安中证500换手率）：远超行业水平，体现高频量价深度融合策略的活跃换手特征[page::11]

• 图表35（嘉实量化框架体系金字塔形象）：系统化投研、行业轮动、多因子模型和风险管理四层融合，彰显策略结构[page::13]

• 图表58（银华中证1000策略ETF Brinson归因）：选股为主要收益拉动力，行业配置与打新收益贡献有限[page::20]

---

总结

该报告通过详尽的策略框架细节披露、因子暴露及收益归因分析，结合丰富图表洞察，为读者提供了中国公募量化及指数增强基金经理投资研究的全景视角。特别强调了：

• 机器学习与主动量化融合形成新壁垒。

- 不同基金经理的风格、换手率及风险控制策略明显差异。

• 科技成长因子和行业基本面因子是超额收益的重要来源。

- 风险模型与组合优化技术的持续完善是业绩稳健的基石。

此类报告对于想深入了解公募量化投资实务、基金经理选聘、量化策略设计及风险管理的专业投资者及机构极具参考价值。[page::0-21]

---

（全文共计约4200字，完整涵盖报告关键点、数据、图表及策略解析）

报告