刘玉强：正如之前所提，专精特新小巨人企业是细分行业中的隐形冠军，它们在各自市场的细分领域都拥有较高的市场份额和盈利能力。我们统计了过去三年小巨人企业的毛利率，其平均值超过30%，高于沪深300、中证500、中证1000和创业板等宽基指数。从ROE来看，小巨人企业的表现也稳定优于中证500和中证1000等中小盘指数。

刘玉强：目前我主要采用的是多策略管理框架，其中包括相对成熟的多因子模型和一系列非线性模型，这些模型的逻辑清晰且整体逻辑链条不长，主要思想是在鱼多的地方下网。首先，我们需要缩小选股的范围，通常情况下，这个范围内的股票相对于市场整体具有阿尔法，比如我们可以将专精特新的股票池视为鱼多的地方，然后我们类似决策树模型在这个股票池内逐步进行筛选。我们希望每一步的筛选都能改善原有组合。

在管理专精特新之前，我也管理过一些风险较低的增强型组合。起初也使用多因子模型进行管理，但逐渐发现传统多因子模型在使用中会遇到一些问题，有些风险是风险模型无法控制的，有些机会在这个框架内也很难抓住。例如，市值具有非线性特征，有时沪深300的涨幅比中证500好，有投资者就会认为这是大盘行情，但实际上此时一些小盘股的表现也不错。比如国证2000相对于中证500反而表现更好，这时候我们调整多因子模型中的市值权重会比较困难。再比如，在过去五年内，白马股或基金重仓股走出了几段完全不同的趋势。当然这是在贝塔层面上，有时候这些贝塔也会影响阿尔法的表现，例如在2020年底。那么，我们应该如何应对这种情况呢？我们可以尝试通过分域建模的方式来处理，例如在重仓股内和非重仓股内之间分别进行选股。基于这一基础，我们也可以进一步处理贝塔层面的因素，这样逻辑就变得更加合理，我们也可以更容易地应对这种行情。

当然，对于分域我们也还有一些不同的区分方式。在多策略框架中，我将这些不同的处理逻辑组合在一起，发现整体风险相对于原有的风险模型更低。从逻辑上来看，它也更加多元化，整体组合的抗风险能力也更高。但是在这个过程中对策略开发的质量要求比较高，在策略开发方面，相对于收益我们更看重逻辑的清晰性。如果一个策略的年化收益异常高，我通常会更加谨慎地思考它是否存在潜在风险，逻辑是否过于复杂，是否可以通过牺牲一些风险来简化逻辑。实际上，过去十年偏股型基金收益的中位数大约在10%，如果从2010年开始计算，这个收益可能会更低。如果我们的策略在过去十年的年化绝对收益能够达到15%，那它的表现就可以排在偏股型基金的前10%。因此在开发策略时，我也会参考这个收益水平，如果策略逻辑非常清晰且能够超过这个收益水平，那我会认为这个策略表现不错。进一步，如果这个策略与现有策略的相关性也不高，那就更加难得了。

总结来看，在我整体策略框架中，保持策略的多样性是非常必要的，因为没有一种策略可以一劳永逸的永远赚钱。

第三方面，量化投资受股票流动性的影响较小。假设我们按照个股持仓不超过其日均成交金额的10%来限制股票选择范围，对于一个5亿的投资组合，假设主动投资买10%，也就是买5千万，在专精特新中，可能只有3%的公司可供选择。相对而言，量化投资在持股方面更加分散，持有的股票数量较多，我们可能最多只持有1%，也就是500万，这样就有60%的公司可供选择，选股范围大大增加。

高鹏： 选股因子是量化策略的重要部分，能介绍下您基于专精特新股票池的因子体系吗（基本面/量价/另类数据等）？ 

刘玉强：目前我们部门的因子库中有比较丰富的因子类别。之前，我们主要集中在基本面、分析师和传统量价因子，在这些方面相对已经比较完善。最近几年，我们也运用了一些高频数据开发了一批因子，如Level 2数据、分笔成交数据；在另类数据方面也进行了探索，如专利、雪球和东方财富等数据，并推出了一些产品。但是专精特新股票池因子体系与其他股票池存在一些差异，需要根据专精特新股票的特点来确定因子的使用方式。例如，在基本面指标方面，专精特新股票通常具有较小的市值且分析师的覆盖比较有限，因此很难通过分析师指标对所有股票进行分析，分析师指标只适用于其中少部分股票。估值指标在专精特新股票池内效果也相对有限，整个专精特新小巨人股票池估值约在40倍以上，估值因子在这类股票中区分收益的能力并不明显。相比之下，量价因子在专精特新股票中表现较稳定，不论是传统的量价指标还是基于高频数据的指标，在这个股票池中都有较好的表现。总体来看，专精特新股票池的市值偏小，因此其选股因子体系和在小市值股票池中进行选股比较类似。

高鹏：相比于沪深300和中证500宽基指数增强，偏小市值风格的专精特新量化增强在策略上有何差异？

刘玉强：专精特新与沪深300和中证500宽基指数在市值、市场覆盖度和投资者类别等方面存在显著差异。沪深300和中证500的股票有众多分析师覆盖并得到深入研究，一些简单的基本面指标进行选股的有效性大为降低。同时，它们的权重股集中度较高，因此处理权重股显得尤为重要。相比之下，专精特新量化增强则无需面对这些问题。

在因子层面也存在差异，比如估值因子，在沪深300中，估值在不同行业间就不能比较，比如银行和医药，有的同一个一级行业内也不可比，如国有银行与股份制银行之间，医药内也有类似问题。专精特新虽然涵盖多个子行业，但大多数属于制造业，商业模式并无显著差异。

高鹏：量化结合主动逐渐被量化投资所接受，您会融合主动信息来进行专精特新增强吗?

刘玉强：在我的投资框架中，我并没有刻意区分主动与量化投资。只要某种方法能提升组合收益，便会被纳入框架。主动投资通常具有选股理念，这往往为我们策略选股逻辑构建提供了一些思路，但是我们通常会进行系统化测试，去看看这些思路在过去十多年的表现，在哪些市场环境下收益较好，哪些挑战较大，以及它们是更适合大盘还是小盘。只要在某种情况下超额收益稳定，我们就会将其纳入策略库作为备选。

高鹏：在您的量化策略中，会结合行业轮动模型和风格轮动模型来进行增强吗？

刘玉强：在我管理的专精特新基金中，实际上行业轮动的应用较少。我们主要关注的小巨人公司偏制造业，而且没有显著的行业板块差异。当我们尝试深入研究时，会发现这些公司的子行业非常细分，有时甚至一只股票就对应一个细分行业。在这种情况下，这些股票的个股风险相比其一级行业的风险会更大。

高鹏：考虑到专精特新股票偏小市值，您在投资交易中如何考虑和应对流动性问题的？

刘玉强：专精特新股票的总体市值虽小于国证2000，但我们发现其平均换手率实际上更高，这表明市场对专精特新股票的关注度较高。我们的统计数据显示，专精特新股票中有超过60%的股票日均成交金额超过五千万，但是我们的持股比较分散，绝大部分股票的权重不超过1%，也就是几百万。因此，这些股票在日均成交金额中所占的比例实际上不大。

高鹏：最后能介绍下您所管理的博时专精特新主题这只基金产品的投资运作情况吗？

刘玉强：博时专精特新主题基金是一只偏股混合型基金，同时也是主题基金，按照合同规定，至少80%的权重必须投资在专精特新小巨人股票池中。这个股票池目前由2019年以来公布的四批小巨人名单组成，专精特新主题基金的专精特新含量相比于中证1000显然更高。从前述介绍中，我们了解到专精特新小巨人的评选标准是全方位的，因为它会对中小企业进行深度筛选，被选出的股票通常具有较强竞争力。由于这些公司的市值相对较小，我们可以将这个股票池的表现与中证1000进行比较，除了在2017年大小盘差异特别大的这段时期，其他大多数年份小巨人股票池的表现都优于中证1000指数。