传统基金管理人正面临越来越大的压力，市场要求他们使用人工智能和机器学习等尖端技术，来消化华尔街所需要处理的看似无穷无尽的数据。与此同时，最近的突发事件，比如3月份新冠疫情导致的市场低迷给量化基金深刻的教训，他们需要使系统模型更多样化，更能适应市场变化。
在整个华尔街，从D.E.Shaw这样的知名量化基金到以基本面分析为基础的传统公司，对冲基金都在努力寻找人与机器之间的最佳结合点。一种新兴的投资方式正在兴起：量化和基本面可以从相互学习中受益。 这一新兴的策略被称为“量化基本面”（Quantamental，量化和基本面单词的结合）。
（量化基本面与量化投资的区别 姚波/制表）
机器与人类的深度整合
量化基本面是对冲基金的时髦词，目前还没有形成一套标准的体系和方法。保罗·钱伯斯拥有物理学学位和空域武器系统科学家的工作经验，他的背景被许多人认为是华尔街最看好的。随着量化策略交易被频繁套利，一些经典量化策略的表现已经大不如前，这需要公司从基本面数据来了解是什么驱使公司股价，并通过量化来解锁其中的秘密。
钱伯斯在价值267亿美元的对冲基金Man GLG负责量化投资和研究，对他来说，这一切都是为了让人和机器这两个方面能结合到一起。
Man GLG并不是唯一做出努力的公司。以共同基金SGA为例，该公司自2005年成立以来，就尝试了一种结合基本面的量化方法。SGA总裁加拉格尔表示，该公司的投资始于基于15个因子建立的量化模型。然后，基本面分析师可以依据此清单来建议投资组合，他们可以选择删除部分不看好的股票，实际上他们通常会剔除清单中10%~20%的股票，但他们不能利用基本面分析在清单中增加任何股票。
投资组合的构建过程也是人与机器的交互，最终的投资组合由投资基金经理进行检查并进行调整。基金经理对清单个股所做的调整会被量化系统跟踪和分析，以识别出共有的特征，并用以进一步改进量化模型。在整个投资过程中，人类所扮演的角色就像一个导师，不断以自身的经验来调教机器，而机器借以形成的投资框架又用以限制人类的投资判断，好似“青出于蓝而胜于蓝”。
SGA总裁加拉格尔说：基本面分析对量化真的很重要。市场变化太快，有很多因素可能会让量化模型在某些方面看起来有点不可靠，但可以从传统的基本面分析师那里发现问题。
与此同时，PanAgora资产管理公司则采取了相反的做法。PanAgora首席投资官穆萨利指出，该公司不高兴采取纯粹的量化方法，在这个迅速变得拥挤的领域很难获得差异化的结果。因此，该基金调整了重点，将发现超额收益的关键放在可自由支配的投资点子上，其核心是理解公司和行业的基本框架，然后找到必要的数据模型来模拟这一决策，从而可以依赖于他们已经所能熟悉使用的量化技术。
穆萨利表示，使用这一方法最终会获得非常不同的信号和方法，同时，由于并非单纯利用基本面分析，基金可以结合量化所带来的宽广视野和风险管理方法，可以构建更好的投资组合。
宏观对投资影响超预期
总会有一些人要么保持纯粹的基本面，要么保持纯量化投资。像文艺复兴科技这样的纯量化分析公司或像沃伦·巴菲特这样的纯基本面选股者已经成功了太久，现在还没有彻底改变他们的方式。但对于该行业的其他公司来说，大多数公司无法抗拒追求量化战略的诱惑，转向中间的可能性似乎更大。而其中一个大背景是，在“黑天鹅”事件频发的当代，市场上不仅越来越难找到超额回报，还很容易被已有方法束缚而身陷困境。了解所处的宏观社会经济环境变得越来越重要，投资方法的演进也变得越来越迫切。
不管使用何种方式，量化基本面的逻辑并不复杂。发达的计算机模型在自动化任务、分析过去预测未来，以及识别异常情况等领域非常擅长，没有人能比得上机器算法审查数百万个数据点的计算能力。
另一方面，受过良好训练的分析师更能理解未来可能与过去有何不同，如正在不断演进的社会经济情况、行业结构、新兴技术、公司地位的变化或新的行业法规。在这些情况下，专注于历史数据的机器处于劣势。 量化基本面的目标就是整合两个看似没有太多交集的方法，用来应对前所未有的挑战。
不少全球最知名的量化基金折戟新冠疫情，愈发迫切反映了量化投资集中使用历史数据的弊端：全球最大的对冲基金桥水管理了1600亿美元基金，但在今年3月一度暴跌了20%。传奇投资人西蒙斯创建的“没有人为干预的量化投资系统”一直带来稳定的超额回报，但文艺复兴冲基金在在3月份的前3周下跌了18%。新冠病毒全球大流行，带来了前所未有的波动性，给市场引入了创纪录的低利率，现在所面临的问题是史无前例的，不能仅仅依赖于分析过去的情况来对今天做出反应。
全球最大的对冲基金桥水的内部决策过程中，量化过程也是有基金经理的理解来支撑。该公司的联合首席信息官詹森指出：其投资的过程中没有什么是纯粹的‘量化’，因为投资的决策是基于机器发现的统计关系或历史模式，而这一切都植根于人类的理解，该过程的每一个部分都是可以复查的，计算机或多或少将投资逻辑展现出来，并要确保基金经理的决定与这种逻辑一致。
桥水指出：无论是否与基本面指标相结合，都会担心任何依赖基于历史数据的量化模型，因为当前环境变量如此多，许多都不在过往的数据中，这需要对经济社会整体上有深刻理解。
量化基本面不是没有挑战
基金公司追求量化基本面的兴趣正在上升，但这一趋势也受到一些质疑。
不少协助传统公司引入量化平台的技术人士指出，从潜在客户那里得到的最残酷反馈是，引入量化就是向其投资者承认失败。在许多情况下，传统基金经理认为使用量化技术对其工作是一种威胁。
对传统的基金公司而言，他们需要做的是找到一种方法，让双方都能从这个过程中获益，而不能把量化人士视为服务提供商。比如，一种能够让基本面分析和量化技术互相融合的文化至关重要。这要求提高两个团体之间的透明度，采用“翻译员”，也就是可以与量化和传统基金经理一起工作的员工，有助于实现这一目标。
另一方面，基于量化的基金在尝试引入基本面分析时也会遇到自己的问题。量化专业人士倾向于认为专业技术是投资中一个关键的差异化因素。但当涉及量化基本面时，他们往往没有相关的专业知识，在这个过程中举步维艰。
此外，对于专注于量化的公司来说，模型解释的问题也是一个难题，算法的可解释性往往比纯粹构建量化模型要难得多，量化人才也不习惯将模型分解到传统基金经理所要求的水平。
许多业内人士都同意，要调和这两个世界并非易事，无论你站在哪一方都认为这需要时间，不是一夜就能奏效，需要不断磨合才能找到两者完美的结合。
