公募量化热度缘何上升？量化策略如何迭代？

　　□ 当前公募量化产品以指数增强基金为主导，主动量化基金和量化“固收+”产品协同发展。截至一季度末，公募量化产品数量合计达到1008只，总规模为5293.56亿元

　　□ 公募量化产品人气上升，得益于技术赋能与市场需求的双向共振：一方面，AI技术的快速发展大幅提升了量化策略的研发效率；另一方面，投资者进一步加深了对量化投资逻辑、运作模式的认知与信任度

　　□ 行业人士表示，量化策略的生命力，不在于“一套模型走天下”，而在于持续迭代与进化的能力。谁能比市场更快进化，谁对投资逻辑理解更深，谁就能持续创造价值

　　过去几个月，不少公募量化产品发布限购令，部分新发量化产品一日售罄。公募量化热度缘何上升？量化策略如何迭代？在AI技术日新月异的背景下，量化投资如何与时俱进？

　　公募量化热度上升

　　从最新发展态势看，公募量化产品热度稳步上升，多只产品接连发布“限购令”。5月以来，博道久航混合基金、国金量化多因子股票基金、易方达科鑫量化选股股票基金、金信量化精选混合基金等均发布限购公告。例如，易方达基金公告称，自5月8日起，易方达科鑫量化选股股票基金单日单个基金账户限额50元。

　　部分新发量化产品一日吸金超150亿元。例如，华夏智胜全景混合基金募集规模上限为50亿元，5月14日一日结束募集，末日确认比例为33.25%。这意味着，该基金吸引了逾150亿元资金申购。

　　国泰基金量化投资部基金经理吴可凡对上海证券报记者表示，大额资金申购会摊薄原有持有人的超额收益，通过适度限购可以平滑申赎节奏，避免短期波动对组合收益的稀释，保护持有人利益。此外，限购还可以维持策略有效性，当管理规模超过策略最优容量后，冲击成本上升，阿尔法收益衰减不可避免，频繁大额申赎还会带来额外的交易成本和调仓压力，影响策略模型的执行效果。

　　从行业发展情况看，据华泰证券统计，当前公募量化产品以指数增强基金为主导，主动量化基金和量化“固收+”产品协同发展。截至一季度末，公募量化产品数量合计达到1008只，总规模为5293.56亿元。

　　公募量化产品人气上升，得益于技术赋能与市场需求的双向共振。对此，华商基金量化投资部总经理、华商新量化混合基金经理邓默表示：一方面，AI技术的快速发展大幅提升了量化策略的研发效率，让量化投资模型的市场适配性、应变能力进一步提高，策略投资体系愈发成熟完善；另一方面，在AI发展浪潮中，投资者进一步加深了对量化投资逻辑、运作模式的认知与信任度，推动公募量化产品规模扩容，形成量化产品发展的良好态势。

　　在招商基金量化投资部基金经理邓童看来，量化、主动投资没有好坏之分，不少主动投资产品也开始借鉴量化的投资方法和工具，未来的基金产品界限可能更加模糊，会有更多不同类型的产品推出，以满足投资者日趋精细化的配置需求。

　　策略迭代创新生命力

　　尽管人气稳步提升，但公募量化产品业绩分化较大。

　　Choice数据显示，截至5月15日，金信量化精选混合基金、易方达科鑫量化选股股票基金、华商新量化混合基金等近一年收益均超过100%，但也有部分量化产品近一年收益为负。

　　多位绩优基金经理表示，量化策略的生命力，不在于“一套模型走天下”，而在于持续迭代与进化的能力。“量化只是工具，认知才是真正的护城河。未来的竞争，越来越取决于基金经理对市场底层逻辑的理解，谁能比市场更快进化，谁对投资逻辑理解更深，谁就能持续创造价值。”吴可凡直言。

　　在吴可凡看来，要想行稳致远，必须升级技术能力，拥抱AI红利。从业内最新发展态势看，机器学习在量化策略中的应用占比正在持续提升，加大算力与高频另类数据处理投入，将非结构化信息转化为有效投资信号，是量化策略的核心壁垒之一。此外，超额收益水平固然重要，但穿越周期的能力同样关键。

　　邓默也持类似观点：首先，要深耕技术与算法迭代，紧跟AI深度学习等前沿技术趋势，不断优化模型架构与参数设置，提升数据处理效率、行情预判精度，强化策略对市场风格切换、行业轮动的快速响应能力；其次，主动拓展数据维度边界，在传统行情数据基础上，系统性融入产业高频数据、舆情数据、供应链数据等另类数据源，丰富因子库的多元性与差异化，通过挖掘未被市场充分定价的信息，捕捉独特超额收益机会；最后，打破单一策略依赖，构建多策略融合体系，既发挥量化的纪律性优势，又借助主动研究提升策略适应性，夯实长期竞争壁垒。

　　“传统公募量化以多因子模型为主，用估值、盈利、成长、质量等因子进行综合选股。近年来，随着机器学习模型这种新型研究范式的推广，公募也开始加大对机器学习模型的使用，这类模型的可解释性一般，但信息处理和挖掘能力比线性模型更强。”邓童表示。

　　AI赋能与时俱进

　　AI技术进步日新月异。从最新发展态势看，AI已逐渐渗透至公募量化投资全链条，重塑行业投研生态。

　　邓默表示：在数据处理环节，AI能协助高效处理研报、舆情、产业链动态等非结构化数据，同时大幅提升代码运行的效率与准确性，将海量分散信息转化为标准化、可复用的数据资产；在策略研发方面，AI可显著缩短策略迭代周期，高效完成各类量化策略的复现、验证与优化，快速筛选并挖掘有效因子；在风险管控方面，通过AI搭建可视化的组合风险管理系统，能实时追踪组合在行业、风格、因子等维度的风险暴露情况，借助AI的实时监测与预警能力，使风控过程更加直观高效，全方位提升量化产品的风控质量与稳健性。

　　邓童认为，目前公募量化对于AI的使用已经较为普遍，通过机器学习模型挖掘因子、构建组合模型，可显著提升组合业绩。未来公募量化要集中有限的资源，探索前沿模型和另类数据，才有可能持续获取超额收益。

　　在吴可凡看来，传统量化依赖人工构建因子，覆盖维度有限。引入深度学习后，模型能自动从海量非结构化数据中提取有效信号——包括财报文本、调研纪要、舆情情绪等。A股市场结构性行情持续演绎，单一静态模型容易出现阶段性失效，AI可以通过更高维度的数据训练，识别市场状态变化，并动态优化因子权重和组合结构。

　　不过，吴可凡也表示，AI本质上是提升认知效率和决策精度的工具。未来行业竞争，不会只比拼单一算法，而是比拼“数据、模型、算力、风控和投资框架”的综合能力。

（文章来源：上海证券报）

(原标题：公募拥抱量化)

(责任编辑：73)