量化一席谈|德邦基金李荣兴：AI与全局性量化投资

8月中旬，德邦基金基金经理李荣兴应开源证券金融工程团队魏建榕博士邀请，参加《开源金工•量化一席谈》会议，就AI与全局性量化投资等话题发表专业见解，干货满满。小邦精选部分内容以飨读者，供喜欢量化投资的朋友快速get投资精华观点~

对于量化投资而言，发展过程中会遇到一些问题。首先，回归等传统算法没有办法聚合海量因子，最多包括几十个因子。其次，在多因子框架下，单因子有统计上的需求。市场上有很多信息在回归这些简单的算法层面上，没有办法解决全局性问题。因此，我们需要提高算法聚合信息的能力，像树模型、深度学习、强化学习等算法的使用使得我们聚合信息的能力大幅提升，收益也得到提升。在此基础上人工智能方法，AlphaGo等实践的成功也大大推动了算法层面的发展，而且在过去几年里面取得了比较大的成功。

在我看来，多因子也是一种机器学习模型，或者说机器学习模型本身也属于多因子方法论。多因子模型最底层是数据，在数据的基础上产生因子并通过统计检验，单因子不存在全局性，多因子方法论有一定的信息聚合能力，在因子的基础上，回归等算法聚合信息的能力比较有限，原来的因子不足以反映市场信息，因此我们拓展因子的概念，原来模型所包含的信息现在仍然可以包含，原来没有办法包含的信息也可以纳入。

在这个层面上，AI是对传统多因子的拓展，第一个是在因子层面的拓展，第二个是算法层面的拓展，像网络算法有各种各样的结构，我们提取信息的能力也大大拓展。AI和多因子本质上是一种东西，只不过AI在信息聚合能力上大幅的提升了，这是我对AI跟传统的多因子体系的理解。

分析超额时可以将超额归为实时性、全面性和全局性三个要素。随着数据行业的发展，数据实时性得到改善，量价因子的实时性也很好，基本面可以通过分析师预期、舆情数据得以反映；而全面性，经过行业的多年发展，我们的因子已经非常多了，足以全面表达市场状态；过去几年量化最大的变化体现在全局性分析能力的提升，如人工智能算法的应用。

AI算法的信息聚合能力远远超过了原来我们使用的简单算法，在有效聚合信息的基础上模型获得了全局分析市场的能力。相对于主动投资，量化用回测等方法加快验证速度，相比传统算法，机器学习算法加快了探索规律的速度，人工智能框架可以代替人工探索不同的变量组合，这也改变了量化研究的效率。快速获得全局分析能力，是人工智能策略超额收益最底层的来源。

现在数据维度非常高，反映市场状态的能力越来越强，结构化的数据越来越多，所以在数据的材料层面已经很完备，在工具层面，现在AI很多算法在处理高维度方面能力强很多，我们需要处理数百甚至是数千个变量，这是我们引入AI最直接的原因，因为它可以处理高维数据，同时也提供了一些非线性的处理，可以对描述市场状况的能力有进一步增强。

我们将量化分为三个维度，第一个维度是选股，第二个是选行业，第三个是择时。在选股方面，我们完全是AI驱动，主观以因子的方式加入到策略中，在AI框架下，通过因子把主观投资中我们认可的、符合投资逻辑、但没有办法通过统计检验的信息加入模型，将主动投资认为有价值有意义的信息以特征的方式加入模型，通过组合优化形成股票组合，通过回测验证有效性；在行业和风格层面，譬如在对冲产品上，我们会做股指期货的风格轮动，我们有中短期的股指期货CTA策略。

但在长期层面，我个人认为量化相对主动优势不明显，因为量化长周期采样的数据样本很少，所以我们把主动投资的观点以子策略的方式加入到CTA里面，相当于把主观投资策略当成子策略直接使用，与Alpha选股独立；此外，择时主要和产品形式相关，落到应用的概率不高。我们目前选股完全量化，而且在量化模型得到的结论与我们主观想法不一致的时候，更愿意相信有数据验证的模型。在选股层面，我们认为我们的Alpha经过了足够多样本的检验，比直接拍脑袋要好。

这里主要有两个层面的事情，第一个层面是过拟合的处理上，目前AI有非常成熟的解决方案，在整个机器学习和人工智能行业的应用也已经非常广泛，因此我们有非常成熟且有效的方法对抗过拟合；第二个层面是样本外的有效性，无论是整个行业或者是我们团队，目前在人工智能领域的应用已经很多年了，经历过很长时间的实盘检验，因此在方法论上的有效性是毋庸置疑的。

具体到如何正确地使用AI开发策略。一般的流程是，数据方面，我们将其分成训练集、验证集和测试集，训练集和验证集均属于样本内，测试集是样本外，其中验证集一般用来选择一些超参。如果训练集训练的很好，但是验证集做的不好，可能是训练的过程出现问题。如果训练集和验证集都很好，但是测试集不好，这种策略我们也不会投入实盘使用。

若模型在三种数据集上都有很好的表现，但是实盘过程中仍然效果不佳，我们主要思考两个问题：第一，是否把Beta当成Alpha，第二，是否把周期当成了失效。首先，思考是否只是赚到了小样本分析的钱，而没有真正的赚大样本统计的钱。接着，如果用过去两年的数据训练模型，而这两年的数据具有很强的周期性，而样本外的数据可能完全不在一个周期内，这也会导致模型失效。我们目前正在实盘的模型，有的是用19年之前的数据训练的，我们认为越接近投资本质的模型，失效过程应该是越缓慢的。不可否认的是，随着市场的逐渐成熟，策略的衰减过程必然存在，因此，我们一般使用多策略的方式进行对抗，然后及时跟踪策略表现，逐渐的替换掉失效策略。

首先需要把Alpha和Beta严格分开。我们目前讨论的Beta既包含市场的Beta，也包含行业的Beta，市场Beta与产品形式关系比较大，比如对于指数增强产品，就不用考虑Beta，都是满仓。近两年行业Beta相关的情况出现的比较多，对投资影响很大。比如说抱团股的崩塌，行业动量的反转。

在思考Beta的时候，我们一般思考三个问题，第一，是否准备好承受Beta所带来的波动。Beta通常是二选一的，容错率不高。第二，Beta与Alpha是否冲突。比如我们做过行业模型，假设能比基准超额20个点，但是如果融入Alpha模型的话，把Alpha模型让10个点行业暴露给它，它可能最后只贡献了两个点。而这两个点也可能会带来一些其它问题，这种情况下，使用这种行业Beta性价比就不高。第三，Beta可靠性有多少。数据量方面，与日频Alpha策略相比，在做日频的行业Beta相关模型时，数据量会下降100倍，如果做的是月频的，数据量会再降几十倍，这种情况下做出来的很多模型还是需要谨慎的。

近几年每年都会出现一两次极端行情，比如抱团瓦解、行业反转、俄乌战争等。这些极端事件对我们的影响主要取决于我们愿意放出多少Beta换取收益，如果我们把所有风险（系统性风险，行业风险等）都控制住，曲线就会变得平滑，但是超额收益就会少很多。量化投资在控制风险层面具备非常成熟的方法论，能使我们对这种行情冲击不敏感。即使有波动，可能也就是一两个点的超额收益回撤，是可控状态。因此，我认为最重要的是如何做好风险控制，平衡收益和波动。