银河基金罗博：深挖量化学习潜力 提升投资适应能力

　　为适应复杂的市场环境，银河基金量化团队近年来在深度量化选股研究领域持续深耕，突破传统线性分析对历史回测分析的局限，通过非线性分析方式，更加精准地分析市场，挖掘其中的投资机遇。

　　日前，银河基金量化与FOF投资部总监助理、基金经理罗博在接受中国证券报记者采访时介绍了量化研究的新思路。在指数样本增强方面，罗博主要采取线性和非线性相结合的方式，由多因子模型与非线性的机器学习模型互相协作，力争获得相对稳健的超额收益；同时，由于模型间相关性较低，力争有效降低整体组合的跟踪误差。

　　开发深度神经网络学习

　　罗博具有21年证券从业经验、15年公募基金管理经验，长期扎根于指数与量化投资领域。随着市场环境持续发生变化，罗博意识到，量化投资仅仅依靠线性分析把握市场长期规律愈发难以支撑，在行业趋势从线性向非线性过渡的过程中，需要不断学习非线性分析技术，紧跟市场变化。

　　经过近年来的逐步积累和完善，目前罗博针对指数样本增强部分，储备了线性和非线性两类策略。其中，线性策略以常见的多因子模型为主；非线性策略包括XGBoost、LightGBM等非线性映射方法。

　　“比如，XGBoost可以对因子的重要性进行展示，通过排序帮助我们识别哪些因子更加重要，增强模型对市场变化的适应能力。尤其是在今年的结构化行情下，非线性策略能够抓住一些弹性品种的机会。”罗博表示。

　　在简单的神经网络学习基础上，罗博做了进一步的开发和挖掘，看好复杂神经网络学习。“简单的神经网络学习主要是根据原始数据来提取个股的特征，用未来一段时间的预期收益率作为标签，进行有监督的学习。但原始数据可能存在较大的‘噪音’，很难训练出一个收敛的神经网络。因此，我们把长期规则和中短期信息相结合，在原有的因子特征基础上做提取，再放到有监督的神经网络做训练，这样调整后有助于量化模型迅速适应市场的变化。”罗博总结。

　　线性与非线性相结合

　　除了针对指数样本采取线性和非线性策略之外，为进一步加强组合对市场的适应能力，在此基础上，罗博还辅以卫星策略做进一步的风格补充。

　　罗博介绍，目前卫星策略主要包括红利优选、大盘成长优选两个部分。其中，红利优选策略主要是在股息率较高的样本池中用多因子方法选股，在小市值、低估值、高盈利等方面有较强的风格暴露；大盘成长优选策略主要在市值较大的样本池中用多因子方法选股，对大市值、高成长等特点有风格暴露。

　　并且，罗博同步开发了财务风险管理策略，力争避免风险事件带来的意外冲击。

　　指数样本内增强策略叠加卫星策略，共同构成了罗博的量化策略体系。从2019年实盘以来，这套量化体系已经逐步成熟，并具体运用在量化产品的管理过程中。罗博介绍，基于不同的产品特征，卫星策略在使用时会调整两个子策略的配置比例，目的是希望模型能够更精准地刻画市场的风格特征，提高对市场的可解释程度。

　　目前，银河基金量化团队已推出银河沪深300指数增强基金、银河中证A500指数增强基金两只指增产品。为进一步丰富量化产品矩阵，拟由罗博担纲的银河中证800指数增强基金已启动发行。

　　相比沪深300与中证500指数，罗博介绍，中证800指数结合了大盘蓝筹风格与中盘成长风格，整体更为均衡。无论是从业绩水平还是分红能力来看，中证800指数样本多维度覆盖A股资产，能够较为全面地代表中国经济的整体活力。并且，中证800指数样本全面覆盖了申万31个一级行业分类，不仅包含银行、非银金融、食品饮料等传统支柱行业，还囊括电子、电力设备、医药生物、计算机等代表未来产业升级方向的新兴成长领域。

（文章来源：中国证券报）

(原标题：银河基金罗博：深挖量化学习潜力 提升投资适应能力)

(责任编辑：43)