2010年，当田大伟博士毕业进入基金管理行业的时候，他的第一份工作涉及了金融领域的编程，他瞬间发现自己太喜欢“码代码”（编程）了，上手了就停不住。
随后十几年间，他历经了公募、券商资管，又再次回到公募的职业生涯。但对“原生”的兴趣始终不改。他发现自己喜欢做的就是，通过量化的思维去解构投资世界，再用量化的方法去追求相对稳定的超额收益。
这个愿望在兴证全球这个主动权益“大厂”的平台上得到了充分实现。
结合平台的优势，兴证全球基金量化团队挖掘了更多的阿尔法因子，以及更成熟的投资方案。
于是就有了这只中证A500指数增强的新产品。用多因子量化选股与组合优化的策略给当下最热门的中证A500指数做增强。这是他们心目中的“解题思路”。
01
挖掘阿尔法因子
量化基金经理工作时间的百分之七八十，都在寻找阿尔法因子，后者是兴证全球量化团队盈利的源泉。
一般同业的阿尔法因子有基本面的，如估值、成长等；也有技术面或者是机器学习层面的。
田大伟不仅亲自率队挖掘因子，也会强调因子参数的匹配，以及精细的应用。
就好像一个“大厨”，不仅原料要好，烹饪也要精到。
这次新产品的因子，多数是团队亲身挖掘或验证，并且在实盘中检测有效的。
02
用AI模型优化
田大伟介绍，他们具体使用量化选股模型时，研究的是股票组合，不会对个股、行业或者仓位做过多的人工判断。
在模型中，基金经理可以参与决定是否纳入一个阿尔法因子。后者会结合基金经理判断，也会结合历史的检验数据。
但具体的配置权重是机器学习模型（AI）自动赋予的。模型会通过优化的算法，给出一个组合配置意见。
换句话说，基金经理主动的行为只体现在模型参数的筛选和底层逻辑的改进上，真正的临门一脚是AI踢的，后者能够更客观，更情绪稳定地来完成投资流程。
03
追求行业中性，但不“固守”
此外，田大伟还表示，他管理的基金在行业布局上，重视行业中性，但是不强调完全的行业中性。
换句话说，模型中，持仓组合的行业比率和对标的指数的行业比率之间有一定的调整“空间”。如果某些行业出现有限的偏离，也主要是因为该行业成份股的阿尔法因子得分相对其他行业更高或更低带来的超配或低配偏离。
这是为了平衡策略的执行和风险的控制。既避免组合过于偏重某些阿尔法因子和行业。又保留因子合理的“进攻性”。
因为从业时间比较长，经历过几轮的牛熊，也经历过市场的特殊的回撤阶段，他对单个因子的权重非常小心。即使非常的信任，也不会把权重都加在一个因子上。
“我并不要求我的产品收益，在某个阶段一定是这一类产品里非常靠前的水平，我希望它能够长期的稳定，累积下来的最终效果较好，这是我追求的目标。”
04
去资管“进修”
田大伟有着复合背景，本科、硕士都是金融专业，但是博士读的是上海财经大学和美国南加州大学（联合培养）金融工程专业。
他本人喜爱编程，上学期间就认为，类工具化的产品可能是未来很重要的方向。
2010年，他回国加入了光大保德信基金，先后担任金融工程师、策略分析师、首席策略分析师，在担任了数月的特定客户资产管理计划的投资经理后，2014年，他开始出任公募基金经理。
2018年，他转去券商资管。类似私募的管理方式下，券商资管在量化投资上的自由度相对更高。
在这里，他接触了很多量化私募和快速交易系统等，在团队合作、策略研发、量化风控和交易系统等方面都有了很多积累。
同时，在券商资管，他在如何架构数据库和策略研发平台、策略的储备、逐笔成交和委托等高频数据建模、机器学习模型的研发、以及如何确保整个策略和交易系统在运营过程中不出错等方面，都有了更丰富的接触和实践。
现在回到的公募，他希望通过过往的积累，进行新一轮的反馈和实践，促进公募量化发展。
私募量化和公募量化在商业模式有一定的不同，私募量化更看重超额收益的多少，比较重视交易的效率，或者是高频策略，通过业绩提成来获取收益，而公募量化更重视超额收益的长期稳定性，超额收益稳定才能增加客户收益，进而增加产品规模。在田大伟的计划中，团队是要走长期超额收益持续稳定的这条道路。
05
支持团队高质量因子库
在负责了两个团队后，田大伟逐渐意识到，如何打造能够真正互相支持的团队非常重要。
量化团队和主动权益团队有一个非常大的区别，量化不是研究个股，而是研究组合，讲究模型，讲究历史回测业绩，背后是一串代码的保证。
但是，对团队成员而言，如果把源代码交出来，那么策略的核心竞争力可能会受到很大的挑战。
一种常见的情况是，公共的因子库内因子质量不高，但是每一个基金经理，又有自己单独的因子库，长期而言，这是一个困局。
田大伟作为团队负责人，想到比较好的解决方案：在量化因子方面，包括因子的值数据、源代码，以及因子的数据说明文档，团队成员都充分共享。
但是，这些因子如何赋权，如何形成最终的模型，最核心部分的代码是每个基金经理的，不需要共享给其他基金经理。
这样就会达到一个效果：公司的公共因子库的质量比较高。团队通过共用服务器、代码管理制度和系统，将这些规则实践全部透明化，通过这种方式来帮团队粘合成整体。
06
公司各部门协力
田大伟对兴证全球公司平台的支持，体会非常深。
量化策略的检验，必须有历史业绩，工作量很大，没有各个部门的支持是难以实现的。
比如单策略交易就会有上百只股票的买卖，多产品、多策略，就更多了，需要一个交易系统自动完成。交易系统是信息技术部主动提出搭建，由量化团队与信息技术部一起架构，信息技术部落地的。
同时，这套体系也需要合规、风控部门的辅助。他们每天会跟踪交易，探讨原因，确保过程中不“走偏”，这也可以为产品合规稳健运行提供可持续的重要保障。交易室为相关交易的平稳度提供保障。
07
掘金新一代宽基指数
指数增强由来已久，A500的指数增强基金并不多见，为何要如此选择。
田大伟认为，中证A500指数编制具有国际化的特点，预计会带动关联的宽基指数基金规模持续增长。
首先，在编制方法上，中证A500指数在编制中纳入ESG特征和互联互通等考量，剔除了ESG评级在C以下的证券、强调成分股必须属于沪股通或深股通范围。这更契合长线资金、外资等投资审美。
其次，行业覆盖广泛，市场代表性强。以沪深300为例进行对比会发现，中证A500与沪深300均是大盘宽基指数，但中证A500行业覆盖更加全面均衡。编制规则中，中证A500优先选取三级行业自由流通市值最大或总市值在样本空间内排名前1%证券作为指数样本，最新样本覆盖全部35个中证二级行业，和91个中证三级行业。中证A500表征性强，以9%的成分股数量，覆盖60%的市值，贡献63%的主营业务收入、70%的净利润。
中证A500作为整体市场的代表，在市场底部时，能够为资金提供更好的投资抓手，特别是对中盘股和三级行业。
第三，行情和个股权重分布更为均衡。统计数据显示，中证A500指数在行业偏离和市值偏离方面，与全市场采样的整体相比，在所有宽基指数中偏离度最低。沪深300偏向大型股票，而中证500则偏向中小型股票，中证A500的市值平均为1100亿，行业代表性更均衡。而且，中证A500更多纳入新兴行业龙头，体现新质生产力和时代发展方向。
08
有纪律，才有超额
十多年量化投研工作后，田大伟认为，量化产品最重要的特点是纪律性。持之以恒地坚定使用量化方法，这点非常重要。
兴证全球中证A500指数增强型基金，成分股至少80%来自中证A500指数，且对跟踪误差有特定要求。采用量化方法，紧密围绕基准指数运作，保持纪律性，避免偏离。
在多因子选股方面，基于数据实证分析，综合评估股票的估值、成长、盈利、营运质量、事件特征、价量特征、分析师预期、机器学习模型等多个维度。同时，考虑预期回报、预期风险、交易成本和持股集中度等因素，并结合基本面分析，以替换部分标的指数成分股并更新个股的投资权重。
投资组合构建完成后，将持续跟踪组合的运作绩效，并根据市场变化及时调整投资组合，力求实现稳健且持续的投资回报。
此外，遵循公司的长期风格，注重每年实现稳定的超额收益，这是兴证全球基金增强产品的重要特征。
第三，对这只中证A500指数增强基金，他会在成份股、行业和风格偏离上的要求更为严格，在基金运作上更加重视行业和风格市值的中性。不求速胜，而目标在于长期稳定的超额。
09
宽基之上，更进一步
谈到如何在A500指数上进行增强操作时，田大伟介绍了一个重要的经验法则：
在一个更广的范围内，能够找到更高的概率，使得偏向量价交易和机器学习类的因子更加适用。而在较窄的范围内操作时，投资组合的表现可能受到单一股票特性的显著影响。另一方面，在更大的范围内，通过不同股票之间的相互对冲，量价因子和机器学习因子能够更有效地发挥作用。
在这种背景下，在A500指数的增强策略中，田大伟设定的策略是将遵循一个大致的框架，如基本面、高频量价、机器学习等因素。在这个框架下，利用数量化的方法来配置相关资产。
总体而言，A500指数的增强策略将更多地依赖于量价和机器学习的交易类因子。然而，所有这些策略的实施都必须符合指增产品成分股比例和偏离约束的框架。
10
市场更理性更健康
9月下旬以来，一揽子稳增长政策出台，为经济复苏打下基础，A股逆转悲观情绪，中证A500指数9月24日至10月8日6个交易日上涨33.70%。此后市场出现调整并回归理性，乃是更健康的行情表现。
在田大伟看来，政策助推下的基本面筑底回升、新质生产力发展方向值得关注。
他认为，指数型产品拥有持仓股票公开透明、投资风格稳定等优势。而“增强”的意义在于不完全复制指数，而是力求在有效跟踪指数基础上，通过主动投资跑赢指数。
滑动查看完整风险提示
***
资事堂保留本文的所有权利，未经书面授权，任何人不得转载、编辑、重新发布，否则将被依法追究法律责任。
请在后台回复关键字「转载」获取转载格式要求。
