金融工程及衍生品
Alpha策略从“迷茫”到“转型”：
机构积极应对量化困境
2018年尽管指数下挫明显，但公募量化基金发行数量及规模并没有明显下滑。在公募对冲、主动量化基金规模下滑的同时，指数增强基金规模逆势上升30.16%（55.31亿元），其中大部分来自存量基金份额增长。
此外，量化基金规模分布上仍存在“马太效应”，尤其是指数增强基金，平均规模 5.68亿元，中位数仅0.95亿元。从侧面反映资金方更为偏爱历史业绩稳定的优秀产品。
市场结构的变化及对冲工具的缺失，导致传统的中性策略难以开展，市场缺乏系统性机会，取而代之的是“一九”极端分化的结构性行情，面对量化困境，机构积极应对，从Alpha策略优化到产品布局都在尝试转型。
策略上，机构逐渐重视“风险管理”能力：通过低相关度的多品种或多策略来分散产品风险；注重风格及策略的灵活性，寻找新环境下有效的策略模式；探索大数据等Alpha源，引入 AI等新技术构造多样化策略。
产品上，主动量化及指数增强成 为公募机构布局的首要选择。部分机构在策略产品设计过程中，主动加入了对特定风格或行业进行拆解并主动暴露敞口以追求更高的Alpha空间，围绕一系列特征鲜明且具有差异化的策略，布局Smart Beta产品。
风格与策略前瞻
在面临政策及市场结构调整的新格局下，投资者在捕捉风格方向以及构建Alpha策略上都面临诸多的考验。
展望未来，随着市场风格重新趋于稳健，而机构在经历了又一次风格大切换之后也增强了策略的适应性，风格策略将持续带来稳定的 Alpha 收益。随着资管新规的落地，Alpha 策略将长期吸引大量资金进行配置，短期的困境不会改变量化策略不断提高市场占比的大趋势。
自2016年以来，在国内外多重因素影响下，A股市场风格发生了较大的转变，随着海外资金持续流入及养老金的长期布局，A股的投资者结构正在悄然改变，盈利及价值等投资风格的有效性将有望持续，而规模及价量等风 格Alpha特性将有所减弱，而风险特性则更为凸显，越来越多机构将其作为Alpha模型中的风险因素加以控制。
自2016年以来，A股市场整体波动率持续走低，市场缺乏系统性机会，在监管层坚定地去杠杆措施下，市场的风格也发生了显著的转变，投资者转而追求捕捉结构化行情。自2015 年8月以来的股指期货受限和持续负基差给 Alpha策略带来的成本损失，使得相关产品的规模和盈利空间都受到了较大制约。
机构投资者在漫长的等待过程中，也不断针对新环境，对各自策略和产品展开了“自适应”，实现策略上的“转型”：1.机构逐渐重视Alpha策略与产品的“风险管理”能力；2.通过低相关度的多品种或多策略来分散产品风险； 3.注重风格及策略的灵活性，寻找新环境下有效的策略模式；4.探索大数据等新的Alpha源，并尝试引入AI等新技术构造更多样化的有效策略。
Alpha产品布局思考
2017年以来，Alpha产品就开始面临巨大挑战：其一，股指期货限制迟迟未能放开，市场缺乏对冲工具；其二，市场风格突变，收益二八分化，向头部集中；其三，海外资金大举进入A股市场，导致市场微观结构发生重大变化；其四，监管从严，各种制度完善，市场逐渐走向规范，套利机会收窄；最后，Alpha挤出效应明显，因子收益降低。在这样的新形势下，如何布局未来Alpha产品值得我们思考。
首先，继续向敞口策略转型。传统的Alpha策略中，或多或少会对行业以及大小市值等风格的敞口进行约束，加以风险模型，从而控制组合相对基准的跟踪误差，规避由于风格剧烈变化带来
的Alpha的回撤。
但正如“收益风险是硬币的两面”，风险控制+敞口约束往往会损害Alpha，特别是在当前Alpha缩窄的大环境下，能够提供 Alpha的有效因子个数变少，过度的控制将会使得策略收益下降。
因此，未来Alpha产品可以考虑：适当放开风格敞口的约束，向敞口策略转型。这里所述的敞口策略并不是指完全对敞口放任不管，而是用一种“科学化”的方式控制敞口。例如，可以考虑在敞口控制中辅以行业轮动+风格轮动模型，也即，用行业轮动或风格轮动模型来决定该行业/风格的敞口约束。
另外，由于量化模型中较少考虑政策性变量，因此往往对于市场政策的反应有较大的滞后。因此亦可考虑在突发事件后对模型风格敞口进行主动调整。定性+定量的“Quantamental”产品或受市场青睐。
其次，指数增强与主动量化双驱。2016年以来，指数增强产品受到了市场的关注，较多公募机构发行了基于沪深300/中证500的指数增强基金，成为了熊市中的热门品种。存量指数基金规模也逐步攀升。当前市场指数估值普遍较低，对于长期资金而言，选取合适的Beta，辅以 Alpha的指数增强产品有望获得稳定绝对收益。
相较于指数增强，主动量化基金限制更少，亦可用各种定性的、定量的手段实现收益，更为灵活。另外，主动量化基金是立足于基本面的量化选股，在使用量化方法拓展投资广度的同时，也能使用基本面分析方法拓展投资深度。对于机构而言，可以考虑在这两种类型产品上同时进行布局。
再 次，Smart Beta 或 成 新 风 口。Smart Beta又被称为策略指数，是一种 较普通宽基指数型产品收益更高，较主动量化产品更为透明化的产品。海外Smart Beta产品往往选择价值、成长、红利、低波作为方向，国内Smart Beta产品在设计时亦可以考虑以当前市场主流风格进行布局或未来判断风格作为提前布局。
此类产品管理难度相对较低，长期收益较宽基高，换仓频率低，股票分散度高，能够容纳大资金，或受大型长期资金青睐，有望成为市场新风口。
对于公募而言，由于受到交易风控限制，换仓频率无法做到高换手，因而产品绝大多数以中低频策略为主。从个股角度来看，公募基金量化策略需要更注重个股的估值以及长期企业盈利等基本面因素，而非短期波动造成的交易型机会。
传统量化多因子策略在投资广度上具有一定优势，但是比对主动基本面研究，仍缺乏足够的研究深度。在当前传统量化因子收益波动加剧、市场风格难以形成趋势、小市值股票流动性欠佳的情况下，既然无法通过增加换手获得交易性收益，那就只能通过深挖基本面因子，立足基本面量化，这对于公募量化投资者而言是个较大的挑战。
我们认为，之前“粗暴”的指标测算式的量化策略将会逐步被淘汰，未来几年的公募量化策略将更注重因子的基本面逻辑，以及因子之间如何进行科学的结合。
对于私募，较少受到交易风控方面的监管，因此产品交易时效性更强，在Alpha策略角度相对更为灵活。自2014年以来，就有较多私募机构开展了日内回转交易等高频交易策略，捕捉个股日内波动的趋势性交易机会，并且取得了非常高的产品收益。在当前Alpha低迷的大环境下，此类高收益策略尤其吸引 投资者，2018年此类策略平均收益可达8%以上，头部产品年收益可达15%以上。对于量化私募，无论是作为绝对收益产品（通过融券、互换），或是超额收益补充（通过底仓），都是非常不错的思路，值得进行拓展。
但此类策略亦有不足：资金容量可能较小；如果以绝对收益为目的，则受融券成本所限；在市场个股日内波动收窄时，策略收益也会随之下降。
大数据技术的兴起与成熟，使得量化模型的数据来源不再局限于传统的基本面与价量数据。通过爬虫捕捉的数据将是模型的有效补充。市场上业已存在较多大数据基金，无论产品业绩如何，我们认为大数据在投研中的应用仍需解决如下问题：1.大数据来源的稳定性、真实性；2.理顺大数据背后的投资逻辑；3.大数据对于股票的覆盖度可能不够，可能造成选股上的偏离。即便如此，在海量数据的年代，大数据对于投资的指导意义仍然值得探索与尝试。
另一方面，随着计算机软硬件的发展以及学术界业界对于人工智能的推进，在投资中使用人工智能技术的条件已经逐步成熟。据了解，已有公募量化基金、保险资管产品尝试使用部分仓位配置人工智能策略，私募基金对人工智能算法的应用也较为领先。广发金融工程团队亦对深度学习算法的应用进行了前瞻性的研究，相较于传统的Alpha模型，深度学习Alpha模型的市场普适性更佳，收益更高，风险更小。未来，机构亦可以加强人工智能方面研究的投入，获取相关性更低的回报源，构建更为多样化的产品。