私募基金年度盛會重磅來襲！由排排網集團與世紀證券聯合主辦，銀河期貨、國聯期貨、私募排排網、公募排排網協辦的“智算未來·量化躍遷”第九屆AI&FOF投資創新發展論壇，于2025年7月18日（周五）在上海浦東麗思卡爾頓酒店璀璨開幕。

本次論壇匯聚了來自FOF投資、量化投資、券商資管、期貨資管等多個領域的專業人士，共同分享行業前沿洞察，推動技術創新與實踐應用之間深度融合。

在7月18日的論壇上，宏利基金策略投資部基金經理李婷婷出席并分享一下公司團隊在公募量化行業接近十多年的經驗和新思考。

李婷婷女士為北京大學金融碩士研究生，于2017年7月加入泰達宏利基金管理有限公司，曾任策略投資部助理研究員，研究員，現任基金經理。目前從業時間8年，投資管理有三年多的時間，現在管理的公募產品是以指數增強和主動量化的策略為主。

以下為宏利基金策略投資部基金經理李婷婷演講全文：

宏利量化十余年的AI策略躍遷之路

各位來賓，大家上午好。我是宏利基金的策略投資部的基金經理，感謝主辦方的邀請，今天能夠有機會和大家分享一下我們團隊在公募量化行業接近十多年的經驗和新的思考。

簡單介紹一下我們宏利基金，公司是國內首家合資轉外資的全外資控股的基金公司，在成立的23年時間里，結合股東宏利金融的國際化視野，以及對中國資本市場的深刻了解，在過去的20多年時間里，對中國資本市場的投資有了豐富的經驗積累。

我自己的從業經歷，我是2017年畢業于北京大學數學學院，研究生專業是金融數學，所以我工作后做量化也算是專業對口的選擇。自己是2016年開始來公司實習，實習以來一直在公司的量化團隊，從研究員做到基金經理。2019年開始擔任公募基金經理助理，2021年開始任職基金經理，開始做量化管理。目前從業時間8年，投資管理有三年多的時間，現在管理的公募產品是以指數增強和主動量化的策略為主。

今天給大家分享一下我們在十年間做的策略改進和迭代過程。

我自己是2016年開始來宏利基金實習的，我當時接到的第一個研究課題是做風險模型的研究。在2014、2015年這段時間里，大家更關注的可能是選股的因子，以及怎么做收益預測模型。但是我當時做的第一個事情是怎么研究一些更好的風險模型，市場上大家關注最多的可能是Barra的風險模型，其中十大類風險因子也是以個股的微觀形容為主，比如說會對一些估值、市值等風格的描寫。當時交給我的第一個任務是描述一下當前的宏觀市場對個股的收益走勢有怎樣的影響過程。

我當時開發了一個宏觀的風險模型，包括匯率對股票的收益波動的相關性分析，我在2017年入職后做的研究員的主要工作，就是做選股的多因子模型的開發。當時團隊已經有上百個成熟的因子在庫內了，我的工作是更多的、不同策略的新的因子研發。第二個是把我們策略現有的選股因子維護到公共的回測平臺內，做到日頻率的更新。這套統一的回測平臺，也是經過了多年的改進、優化，目前對投資和生產環境都起到了很重要的支持作用。

到了2018、2019年的時候，團隊有的幾百個因子已經相對成熟了，所以我們想做一些更細致的改進工作。觀察到有些因子和收益之間的關系并不是簡單的、單調的、線性的一一對應。所以這幾年我們做了很多關于因子非線性的改進，包括因子的分域研究等等工作，這個對于團隊開發AI機器學習模型也奠定了很好的基礎。

到了2020、2021年，更多的工作內容是開發一些Smart beta系列，以及做了一些多策略的選股開發。2020年我們發了消費紅利基金，他的選股邏輯很簡單，就是在盈利相對穩定，自由現金流比較充沛的消費賽道里優選股息率最高的50只股票。從2020年成立以來的實盤收益，相對同期的主流指數也有了顯著的收益優勢。所以我們發現很多有邏輯的、比較清晰的Smart beta指數，也是有很大的投資價值的。

2022年以后，我們逐漸改進到了一些非線性的，也就是今天大家提到的AI這一類策略的研究，在實盤外運行了三年多的時間，目前對我們的產品超額收益也有很大的貢獻。

AI助力挖掘量價因子、基本面因子，將提供更多增量信息！

下面展開講一下剛才提到的一些策略進化過程，今天大家對多因子選股體系都比較熟悉了，我們自己的多因子流程大概是這樣的：

首先會拿到各個數據庫的數據源，包括財報的基本面數據，還有分析師盈利預測的數據，以及市場上的一些量價數據，還有一些偏另類的特色數據。整合到本地之后進行因子開發的工作，因子開發既有手工開發的因子，也有一些AI機器學習來幫助我們挖掘的因子。

計算了因子之后，我們會對因子的有效性做一些系統的測試，我們會看一下因子是否有經濟學和行為金融的邏輯支持，也會看一下因子在市場多控以及單調性上的表現。

經過了因子測試之后，會把有效的因子加入到因子庫里面。在完成了選股因子計算之后，開始計算風險模型。風險模型除了主流的barra風險模型之外，還有自己內部研發的風險模型，包括手工定義的A股市場特有的一些風險因子，以及通過AI挖掘的一些非線性的風險因子。最后在因子合成的階段，從原來的線性合成逐漸迭代到AI非線性的合成模型。

目前因子庫里面的因子大概有上百個，主要是分為幾大類，包括基本面的、情緒的、技術的、研究員的。其中技術因子既有手工挖掘的高頻量價因子，也有機器學習挖掘的非線性的交易因子。在研究員策略里面，主要是基于內部的主動研究的基本面數據，以及高頻的緊期跟蹤數據也應用到量化投資里面。

在選擇因子的時候主要考慮兩個維度，一個是這個因子，不管是在基本面或者是經濟學上有明確的長期投資價值的。第二個是在統計上，在不同市場上都有持續的有效性。

之所以我們會研究AI因子，這張圖里也可以做很好的解釋。這個背景的應用圖，主要是機構資金、北上和主動基金為代表的股票型基金，他在整個A股市場的占比。可以看到17-20年，隨著機構抱團以及基金凈申購，這幾年基本面因子有效性逐漸變得更加重要、更加有效。在300以內的因子，有效性從17-20年有顯著的提升。

但是到21年的時候事情發生了變化，由贖回端導致的基金的負債端，產生了凈流出的現象。也導致這類因子從2021年以后有效性也變得逐漸衰減。所以我們想開發一類策略，不受機構、資金、凈流入、凈流出的影響。所以我們把研究重點轉向了AI機器學習，右邊就是我們通過AI挖掘的量價因子，在2017-2024年以來，并不受機構資金流入流出影響，而是表現得非常穩定。背后的原因就是機器學習可以有效的捕捉市場的錯誤定價，只要市場的成交量是足夠的，這類因子就能夠實時的捕捉市場上的交易信息。

對于AI應用的幾個模型，主要有幾個方面：首先最簡單的線性模型，就是傳統的多因子，比如說有估值和ROE，我們做一些簡單的線性打分模型。后期相對非線性的，簡單的模型有一些角色樹模型，可以優選一些估值比較低的，ROE大于10的股票，這個也是相對符合投資者的直觀邏輯的。更復雜一點的，常識使用了神經模型，主要是用在日頻和分鐘頻量化的挖掘上，不管是復雜度還是參數的量級上都有很大的提升。所以需要更高頻，以及更大數據量的數據去做支持。通過神經網絡挖掘了很多偏高頻的有效量價因子。

大語言模型更多的是對新聞、研報分析師文本的挖掘，前面大家的研究主要是基于財報數據以及量價這些結構化的、標準的數據。大語言模型的優勢，就是可以對一些非結構化的文本做有效地挖掘，對原有的財報數據做更好地補充。

具體應用上，我們對量價數據，通過AI的挖掘，可以把它看得很簡單。量化對于短期股票價格以及高頻交易，是我們量化收益貢獻的一個主要來源。市場上很早就有一類，就是技術分析流派的基金經理，他們通過對股票K線圖的歷史走勢的分析，能夠對大量的樣本挖掘得到股票未來走勢的預測判斷。AI做量價挖掘，就可以把它看成是一個看線，或者是技術分析流派的基金經理，通過對歷史上過去幾十年的數據的學習和訓練，可以替代一個相對有比較多的歷史經驗，以及經過市場培養的成熟的技術派基金經理。我們再給他輸入到一些高頻的量價以及成交數據之后，他是能夠給我們輸出一個相對預測能力比較高的收益打分。

我們自己內部通過AI挖掘的量價因子，主要有幾個頻率，包括周頻、日頻、分鐘頻以及level2，通過對不同頻率量價數據的挖掘，希望能夠捕捉不同頻率交易者的收益來源。

除了量價因子之外，把AI用到了基本面的研究中。像傳統的大家做基本面因子的主要邏輯，就是拿到了上市公司的財務數據之后，我們會計算ROE自由現金流這些選股因子，再通過這些因子去做一個選股的預測。但是有了AI的自然語言處理技術之后，我們可以更進一步，比如說拿到一些新聞輿情，以及分析師報告，通過對這一類數據進行文本分析，得到上市公司管理層的信息，以及分析師對這個上市公司盈利的真實的情感打分。通過原來的財報數據疊加上文本的分析結果之后，可以雙重地驗證這個上市公司對未來基本面走勢。

基本面因子一直都是公募量化研究的相對重要、相對有優勢的研究方向。所以我們也會通過AI的加持，繼續加大基本面上的研究方向。

除了剛才提到的之外，在風險模型端也用到了一些AI模型。因為我剛才提到了，我從實習開始做的第一件事情就是風險模型，所以我對風險模型的開發一直都在不斷地嘗試改進。原來的一些風險模型還是以線性的模型為主，比如說估值因子，一些流動性因子，或者一些簡單的線性預測為主。大家比較熟知的barra里面，還有一個非線性市值，他的產生原因，就是因為市值因子并不是簡單的單調關系，比如說小盤股會享受一些流動性溢價。大盤股會有一些護城河，或者是一些上市公司盈利質量的溢價，會導致市值的兩端都有收益的相對優勢。所以，市值因子和收益率的關系不是簡單的一條直線，而是一個u型曲線的關系。

我們想解決這種市值因子，或者是其他風險因子的非線性問題，就想到了用AI模型來挖掘風險因子。

右邊的這張圖（見PPT）經過AI模型改進后的風險模型，對于原始的因子相對表現來看，不管是在收益穩定性上，還是在最大回撤上，都有了很顯著的改善。所以現在內部的風險模型，現在是有幾套：一套是傳統的Barra模型，第二套是自定義的一些A股特有的基本面類的因子。第三類是AI挖掘的偏量價、偏非線性的風險因子。

整體框架上，既有傳統的基本面因子，也有AI挖掘的因子。路演中更多提問的是你這么多因子，會不會挖掘的信息都是重復的？通過我們的回測，發現這里列了我們的AI打分和傳統的幾類基本面因子的相關性。可以看到大部分因子和AI的相關性都是在10%左右，所以說，AI是能夠在傳統的線性模型之外給我們提供一個更多的增量信息的。目前的指增產品上運用的策略，也是以基本面因子和AI挖掘的量價因子，兩套模型并行的。這兩套模型，因為它天然的低相關和互補的特點，可以使指數增強基金的超額收益相對的在不同時間段，都有一類策略給我們貢獻正收益。

A股目前以寬基和行業主題指數基金為主，策略指數還有發展前景！

最后一塊是分享一下我們在這么多年公募量化發展中對于產品布局的一些小思考。

這幾年投資者對主動基金是存在很多困惑和疑問的，首先主動基金整體上業績空間肯定是要更大的，但是存在的問題是基金的風格漂移問題，以及基金經理變更會對產品的持續性有很大的影響。

第二個原因，大家會覺得主動基金高度不透明，以及個體表現不確定，可能基金整體的收益是很高的，但是未必能買到收益好的那一類基金。大家的分化是很大的，給投資者的選基造成了很大的不確定性。

市場指數比如說滬深300中證500，過去幾年逐漸被大家所認知，但是他的問題就是如果沒有超額收益的增強，長期的平均收益率是相對比較低的，需要投資者有一定的擇時能力。但是擇時的技術對大家的要求又很高。所以在兩類策略之間，這幾年發展出來一類比較細分的指數產品，叫作策略指數。

策略指數的話，相當于把一些長期比較有效的選股邏輯規則化去定義為一個明確的指數產品。它的優勢，它像市場指數一樣，它具有透明的編制規則，相對容易理解。但是它的業績又能夠像主動基金一樣，能夠跑贏一些寬基指數。所以說這類指數最近幾年的發展是相對比較快的，2023年以來規模迅速增長的宏利類的基金產品，以及今年發行比較火熱的自由現金流類的產品也都是屬于這個賽道的兩只代表。

通過研究美國市場的產品布局，發現美國市場的指數分布，除了寬基指數之外，策略指數也是第二大主流產品，大概占比接近30%。但是A股市場目前還是以寬基和行業主題類的基金為主，策略指數也只是這兩年剛剛開始起步的，所以我們認為策略指數在當下的A股市場，他還是有很長的發展前景的。

之所以策略指數在美國能夠發展得這么好，我們覺得一個是因為美國投資者對風格因子的這套體系他是相對熟悉的，而且策略指數的很多編制邏輯是符合投資者的主觀認知的，長期下來收益表現也能夠滿足投資者的配置需求。像美國市場除了傳統的紅利產品之外，還有一些偏價值、偏低波以及偏多因子的策略，最近幾年發展也是比較好的。

我們自己通過學習海外經驗和自己的因子研究經驗，在我們的產品里做了一些嘗試。這只產品從去年7月接收以來做了策略改造，就是把它定位成一個紅利增強類的基金，在這個里面也做了一個smart beta的嘗試，會優選一些低估值、低波動的產品組合，兩類疊加，構建了一個偏價值低波，偏收益可持續性更高的策略作為一個壓艙石，希望給投資者提供一個相對穩定，盈利確定性相對高的配置工具。

最后展示一下我們部門的產品布局，宏利目前的產品布局是聚焦于指數增強和策略指數的，目前的寬基指數增強產品有滬深300、中證500，中證A50以及新發的中證A500兩只寬基，另外消費紅利也是我們的第一只策略指數，未來希望在A股市場能夠發掘更多更有效的策略指數來進行布局。我們還有兩只偏主動量化的基金，我們也會把它明確一個標準的考核基準，在這個基礎上做超額。整體定位就是希望能夠在明確基準的前提下，力爭為大家提供一個穩定的α。

我們追求的目標就是希望通過長期穩定的超額收益，為投資者帶來大幅戰勝指數的可能性。以上是我今天的分享，謝謝大家。

風險揭示：本文所涉的基金管理人及基金經理的個人觀點（如有），不代表深圳市前海排排網基金銷售有限責任公司（“我司”）的任何立場，不構成任何投資建議。

投資有風險，本資料涉及基金的過往業績不預示其未來表現，基金管理人管理的其他基金的業績并不構成基金業績表現的保證，我司未以明示、暗示或其他任何方式承諾或預測產品未來收益。 本資料所涉產品數據及信息來自基金管理人、托管估值機構或外部數據庫等，我司無法對其真實性、準確性、完整性作出實質性判斷和保證，投資者須以中國證監會資本市場電子化信息披露平臺、基金管理人官方網站及其委托的基金估值核算機構發布的內容為準。投資者應謹慎注意各項風險，認真閱讀基金合同、基金產品資料概要等銷售文件，充分認識產品的風險收益特征，并根據自身情況作出投資決策，對投資決策自負盈虧。版權聲明：未經許可，任何個人或機構不得進行任何形式的修改或將其用于商業用途。轉載、引用、翻譯、二次創作（包括但不限于以影音等其他形式展現作品內容）或以任何商業目的進行使用的，必須取得我司許可并注明作品來源為私募排排網，同時載明內容域名出處。