雷俊

长城基金总经理助理

量化与指数投资部总经理

自2004年中国市场推出ETF，19年的发展历程中ETF数量及规模不断壮大，大量资金流入ETF市场。ETF的快速增长显著提升了市场有效性，使得被动指数投资在资金驱动的市场中更具优势。逐年增长的被动型复制性产品吸纳了大量市场资金，机构投资者在大盘指数中的持仓比例提升，指数结构因此变得更加机构化。这意味着，机构战胜市场的难度变得更高。

在信息高效传输的当下，市场定价效率更进一步，很多信息可能发布不到十分钟，甚至在发布前十分钟就会被市场完全吸收。高效的市场环境中，信息差带来的红利逐步收敛，行业加速分化。在量化投资中，随着市场的充分定价，基本面因子定价效率也不断提高，使得因子收益有所下降。这可能是投资者因子选择的趋同或紧缩的市场资金环境所致。

挑战背后，我们依然捕捉到时代的机遇，量化投资仍有利好：

第一点是投资广度的回归。从A股上市公司的结构变化来看，十年前大约有2000多家上市公司，而现在已经增加到5000多家，且市值普遍偏小。全面注册制实行之后，小盘股效应更加明显。从流动性角度来看，不管是专注于小盘股、微盘股还是某一细分领域的投资，量化都是适用的。

第二点是市值因子的回归。今年以来小微盘股表现较好，一方面是由于弱复苏、宽流动性的宏观背景，另一方面是由于新产业趋势及政策面利好。目前来看，小市值趋势或将阶段性持续。存量市场中，量化投资仍然可以捕捉到不错的短期机会。

第三点是AI的赋能。传统量化投资中，线性思维容易导致模型错失有效的因子收益信息，在因子的挖掘端和合成端都欠缺非线性思维。而机器学习则能很好地构建非线性模型，扩展到文本、图像等非线性数据的挖掘。在算力和数据充足的情况下，通过文本挖掘因子化和图像挖掘因子化，我们可以为量化投资带来新的赋能。同时，在深度学习的框架下，时间序列的模型更加丰富。因此，在AI赋能下，因子挖掘可以通过注意力机制和时间序列建模等方法增强收益，在非线性模型中与因子合成等其他环节形成收益互补，量化模型最终形成的系统中包含大量的非结构性数据，能够进一步扩充庞大的因子库。

2023年，我们在中小市值产品上全面拥抱AI，于变局中开新局。传统量化一般使用残差回归做风险控制和因子挖掘，而现在我们可以在网络结构的不同层中自由调整损失函数（loss function），以实现控制特定风险下的因子挖掘，力争描述端到端的因子和风险的投资机会。利用人工智能实现精细化，可以降低产品的相对波动，优化投资体验。

在量化投资中，深度学习等AI技术适用的市场是非常广泛的，相关的研究及应用也显著增加。对我来说，在哪个产品上运用AI赋能、如何让投资者更好接受，才是更大的考验。