高鹏：赵总，首先您能给我们介绍下中银基金量化团队人员吗？赵志华：感谢开源金工首席魏建榕博士的对话邀请，谢谢高鹏老师的主持，这也是中银基金量化团队首次正式接受市场公开访谈。早在2009年中银基金就成立了量化团队，当年发行了公司第一只指数增强产品，中银中证100指数增强。中银量化团队经过多年的沉淀和发展，逐步形成了自己的特色。
中银基金量化团队成员来自于北京大学、南京大学、浙江大学和复旦大学等高校。团队目前分为被动投资与主动量化两个小组，被动投资小组主要负责ETF和场外指数投资，主动量化小组聚焦于指数增强产品投研工作。
团队现有基金经理3位，我本人目前管理的量化基金有两只，中银量化价值（权益投资部分业绩比较基准为沪深300）和中银量化精选（主动量化策略，目前关注偏小微盘风格的投资机会），同时也承担量化团队的管理职责；基金经理赵建忠负责ETF和场外指数业务，姚进博士为拟任基金经理。研究员承担量化各方面的研究，比如因子开发、机器学习、组合优化等工作，为投资提供基础支持。高鹏：您能介绍下中银基金量化产品未来的布局情况吗？赵志华：主动量化产品布局我们将会聚焦于指数增强基金这个方向。中银量化价值2019年4月底以来在基金合同允许的范围内开始严格对标本基金权益投资业绩比较基准沪深300的指数增强方案运作，运作期间取得就稳健的超额收益。2019年以来团队专注于指数增强业务，经过多年的积累，目前逐渐形成了较为完善的指数增强策略体系。
在公司的支持下，我们预计将会全面布局宽基指数增强和部分有特色的指数增强产品。目前我们在大盘风格方面拟布局MSCI A50/中证100/沪深300指数增强三只基金，中盘风格预计会布局中证500指数增强，小盘风格方面或将会布局中证1000/中证2000指数增强；Wind偏股基金指数（885001）和中证红利指数两个特色指数我们也会结合市场情况布局相关指增产品。针对目前关注度特别高的Wind微盘指数，我们的主动量化产品中银量化精选当前的选股风格或是比较契合。
高鹏：为什么中银基金量化要大力布局指增产品，和ETF比有什么优势？赵志华：在基金发行相对困难的情况下大力布局指增产品，主要是以下几个方面的原因，第一，投资者对指数基金的配置需求增加，指增产品近几年的规模逆势增长明显；第二，公司战略支持布局指增产品，指增产品将能较快完善公司的产品线；第三，团队经过多年积累，能力逐步完善，已经能够支撑我们去广泛布局指增产品。宽基和细分指数ETF越来越丰富，规模快速增长，这为投资者进行资产配置带来了极大的便利。ETF和指增产品都受到了投资者的欢迎，我认为两类产品各有优势，可以满足不同类型投资者的资产配置需求。
我们认为A股市场目前并非完全有效市场，指数增强做出阿尔法理论上是可行，过往公募的指增产品也获取了不错的阿尔法。指数增强产品介于主动投资和被动指数之间，短期受β影响较大，长期看阿尔法可以适当熨平市场波动风险，即短期买贝塔，长期看重阿尔法。对部分投资者而言，或许希望能找一些策略透明的产品，这样既能体现投资者的观点（β），又能获取基金的部分α。当然ETF在交易机制、费率等方面相对指增产品是明显占优的。
如果资产配置期限较短，或者仅仅是短期交易，ETF确实是特别好的工具；如果投资期限相对较长，配置指数增强产品在贝塔之外还可以争取获得阿尔法收益的机会，无疑这将会提升投资者的投资体验。
高鹏：基于您的投资经历，能系统性介绍下您的量化投资理念和投资策略框架吗？
赵志华：我记得2009年我们开始做实盘量化投资的时候，国内做量化的同行还是非常少，能看到一篇卖方的量化研究报告都会非常高兴，那时候wind加EXCEL拉几个指标就可以做出不错的量化多头策略，当然更普遍的配置是Matlab+SQL；2013年到2016年公募量化基金快速发展，2016年公募量化业绩普遍非常优秀，但是在2017年公募量化基金，几乎全部遭遇了较大的挑战，在这一过程中，大家逐渐开始重视阿尔法，重视跟踪误差、重视组合优化等工作，公募量化的主要方向逐步从纯量化多头切换为指数增强这一方向。近几年以来，随着人工智能的快速发展，机器学习在基金管理中越来越普遍，量化策略越来越丰富。做量化投资，永远是在学习和进化之中。对指数增强产品而言，我们的投资理念是严格执行量化模型，努力提供稳健的阿尔法。但是获取相对稳健的阿尔法是比较困难的。我们自建了沪深300指数增强基金样本并统计了2018年以来各只沪深300指数增强基金在样本内每年的排名，结果我们发现，前一年排名1/4的基金，在下一年排入1/4的概率大约为27%，排入前1/2的概率大约52%；与之相对应的是前一年排名后1/4的基金，在下一年排名后1/4的概率为37%，排名后1/2的概率超过了58%。从以上数据我们可以看出，保持排名靠前是非常的不容易，排名靠后可能会面临更大的挑战。投资者选择指增产品配置时，可以把范围放得更宽，选择更加稳健的指增策略进行组合似乎是一个不错的办法。
当前A股市场风格切换较快，在同一套策略体系下面，很难在不同的市场环境下都取得非常好的超额收益，前面的数据也证明了这一点。为了适应不同的市场环境，一种方案是提前预判市场环境并采用适合模型，但难度实在太高了；另一种方案是开发超额收益相关度较低的策略，多模型叠加，以期在不同的市场环境下面均有相对好的表现；这种方案对量化团队开发超额收益相关性低的策略提出了较高的要求，同时考验基金经理选择模型和组合模型的能力。
回到投资策略框架，我们还是遵循比较经典的指增框架，阿尔法模型、风险模型、组合优化、业绩归因，在这四个方面都努力去做好基础工作，最终在严格控制行业偏离、风格偏离和跟踪误差的基础上力争最大化阿尔法，同时尽量控制超额收益回撤的风险。用量化模型进行指数增强有着自己的优势，比如强调投资宽度、投资纪律，相对更加艺术性的主动投资而言多了一份科学性；但相对主动投资而言，我们在个股上缺乏研究深度，同时，由于是对个股数据的统一处理，少量个股的基本面可能不像因子所表现的那么好，因此我们需要去向主动投资学习，去克服量化的部分不足，比如我们长期建立的负面清单制度在沪深300指数增强策略上有较为明显的作用。
高鹏：因子是量化投资的基石，您能介绍下中银基金量化的因子挖掘与更新框架吗？
赵志华：目前我们团队使用的底层数据来源还是比较丰富的，采购了多家主流供应商的数据库，一方面不同的数据商有各自的优势和特色，另一方面丰富的来源保证了底层数据的多样性。
在因子层面，通常来说按照大的类别会分为基于财务数据的基本面因子、基于交易数据的量价因子和基于分析师盈利预测的预期因子等等。常见的基本面因子又包括财务质量因子、成长因子、价值因子等；而量价因子则包括传统的日频量价数据和近年来关注度更高的日内高频量价数据，目前团队共计积累了500多个因子。在因子挖掘方面，我们一贯秉承有意义、重逻辑、可投资的理念，具体的新因子构造方式较为多样化，既有基于我们投资思路的原创性因子，也有参考海内外学术文献或卖方研报进行复现或改进的因子等等。这些因子构造出来经过一系列的有效性和相关性等检验后，满足条件的会加入到因子库中。此外我们不定期对库中已有的因子进行优化迭代，使因子表现更加稳健，部分因子目前已经过多轮迭代优化。
高鹏：不同风格的宽基增强(A50/沪深300/中证500/中证1000等)方面，中银基金量化在指数增强投资策略上有何差异？
赵志华：针对不同宽基增强产品，我们在投资策略上会差异化的应对和处理。一方面会使用现有的全市场预测模型进行对应改良，另一方面也会针对宽基指数的风格特征定制化开发模型。
整体而言，针对偏大盘风格的宽基如A50、沪深300，机构对这些个股覆盖率较高，且研究较为深入定价较为充分，股价的走势也由基本面驱动为主。因此在这类宽基上我们会更多使用基本面因子作为主要投资依据，并适当加入量价因子控制模型波动；而针对偏中小盘风格的宽基如中证500、中证1000，考虑到专业投资者对这些个股的覆盖率相对较低，导致该部分股票体现的市场有效性相对较弱、定价偏差更大，提高量价类因子的权重进而提高交易频率，相对更容易取得更好的超额收益，因此对于中小盘风格的指增策略我们则会更提高量价类因子的权重。高鹏：机器学习的应用在公募量化形成热潮，您怎么看机器学习模型在量化投资中的应用？
赵志华：在数据和算力爆发增长的背景下，越来越多的公募基金开始将机器学习技术运用到量化投资中，传统多因子量化策略通常根据有较强逻辑支撑的假设，由量化研究员构建股票收益率预测模型，并基于历史样本数据和统计学方法，对模型进行统计检验从而得到可用的模型。相比而言，在机器学习量化策略中，我们先对模型的输入特征进行降噪处理，预测目标也需要精心设计，使机器学习模型能更好学习到阿尔法信息，避免风格的过多暴露。根据输入数据结构，我们定制不同的模型结构，使模型能够有效学习特征的非线性联动关系。相比传统量化策略，机器学习策略的优势在于，能够克服人类的认知能力局限，在多维度、大样本的海量数据中发现高维度、非线性的潜在复杂联系。经过近几年的发展，传统的多因子量化模型在数据来源和建模方面同质化程度有所提高，这会导致在某些阶段传统多因子策略过于拥挤，策略的拥挤会导致超额收益减弱甚至消失的情形，而机器学习在量化投资中的最大的特点和优势是其对非线性信息的挖掘和提取。不少公募量化团队都开始投入了机器学习的研究，传统多因子策略获取超额收益越难，大家对机器学习的重视程度或许就越高。近年来，中银量化团队也非常重视机器学习的研究和相应策略的开发，相关策略在现有基金中作为子策略运行，目前看取得的效果还不错。
高鹏：今年以来885001指数增强火热，您在885001成分股拟合和量化增强上是如何实现的？
赵志华：万得偏股混合基金指数（885001.WI）发布于2013年12月31日，是用来反映全市场偏股混合型基金的整体表现的基金指数。该指数采用等权重加权法，将全市场成立满三个月的偏股混合基金纳入样本中，并根据样本基金的每日涨跌幅取平均数计算指数涨跌幅，该指数能够客观反映全市场偏股基金产品平均收益；该指数过往表现优异，特别是19/20年大幅超越了所有的宽基指数，这也体现了基金经理作为一个整体挖掘阿尔法的能力。如果能在885001的基础上做出一定幅度的稳健超额收益，跑赢基金整体表现，将会受到投资者的关注，我想这也是885001指增受市场关注度高的原因。
我司针对885001的指数增强策略做了较长时间的跟踪和研究，相关指增产品预计也会尽快向市场推出，在该产品的投资业绩上我们将努力实现产品业绩相对稳健超越885001指数。如果能够相对稳健的超越885001，对个人投资者而言，省去了选基金的麻烦，直接买885001指增或就能获得超越偏股基金的平均收益；对考核业绩基准为偏股基金指数的机构投资者多了底仓配置的工具。
不同于常见的指数增强策略，由于偏股混合基金指数成分为基金，没有对应的持股明细，因此该产品的策略相对传统指数增强产品有所不同。指增策略的第一步是选择换手率相对比较低且选股能力强的基金，基金组合要能跟上或者略微跑赢885001，选出基金后，要通过一系列的技术手段完成基金成分股的补全，第二步则回到常见的宽基指增策略步骤，在控制风险暴露的情况下力争获取超越基准的收益。
我们量化团队也开发了持仓跟踪模型，每日对全市场偏股基金进行跟踪，比如基金的行业配置变化，力争偏股基金整体大幅调仓时能有效跟市场节奏，尽量避免大幅度偏离；在量化策略方面，我们将采用多策略的模式进行运作，尽量选择低相关但预期收益较为接近的策略进行叠加，力争获取更为稳健的超额收益。整体而言，对偏股基金指数885001进行增强，非常考验量化团队的技术能力，最终的业绩表现也能体现团队的能力。如后续公司推出相关产品，我们将会努力做好业绩，为投资者进行资产配置提供更好的工具。高鹏：近期红利风格类资产收益表现优异，您在红利选股增强方面有何心得？
赵志华：2021年以来，以中证100为代表的大盘指数和大部分宽基指数走势都比较弱，部分指数出现较大幅度的回调；与此同时，一些红利全收益指数稳步上涨，收益表现优异，红利指数越来越受到投资者的重视。
分红是上市公司回馈投资者的主要方式，长期持续的分红是衡量上市公司投资价值的重要指标。红利指数一般以股息率为核心选股指标，选择现金股息率高、分红比较稳定的股票为成分股，并且同样采用股息率作为权重分配依据，反映市场上高红利股票的整体表现。
投资权益资产具有两方面的收益来源，即资本利得和股息收入。持续的股息叠加复利效应将为组合带来高回报，长期来看决定权益投资回报依然是底层资产本身的质量和盈利能力， 也就是说，投资者选择配置红利指数基金的原因除了获取高股息之外，也是看好具备高分红行为企业的投资价值，红利指数的长期回报本质上主要来自优质公司稳定的盈利能力。当前红利指数股息率处于历史较高水平，在长端利率下行的大背景下，红利投资策略值得投资者关注。
投资者投资红利类指数基金是看重指数的回报和稳健性，因此在开发红利指数增强策略时应该努力控制阿尔法的回撤。我们紧抓上市公司分红特征，融合其他风格因子特色，为红利增强策略开发更合适的阿尔法策略。在策略风控上，传统的行业和风格约束外，我们也会对组合的分红比例进行约束，力争确保投资组合具备较高的分红收益率。我们相关的红利指数增强产品预计也会用合适的方式推出，给投资者投资红利指数基金多一个选择。高鹏：近2年来小微盘风格表现优异，从策略容量和业绩持续性出发，您认为接下来小市值风格还能持续吗？
赵志华：2010年来，A股小市值股票大幅跑赢大市值股票，小市值因子累计收益持续向上。除2017年市值风格短暂失效外，大多数年份市值因子均能带来超额收益。自2021年来，小市值股票超额收益呈现加速之势。截至目前，市值效应仍是全世界大多数市场普遍存在并持续存在的现象之一，A股市场历史上长期存在小市值溢价。
2017年是多重因素共振导致小市值股票全年表现非常不好，站在当前时点，我们需要判断的是2017年的环境是否会再度出现；从短期来看再现2017年的信号短期没有看到，因此在这个时点我们仍然倾向于看好小市值效应，至少还没到看空小市值的时间点。
Wind微盘股指数2019年以来表现非常出色，年化收益高且回撤低，经过多年的持续上涨，微盘股指数高估了吗？根据卖方金工的研究，2019年以来，该指数的业绩大约提升了10%，估值差不多提升了10%，指数80%的收益来自于每日成分调整的交易收益，只要个股继续活跃，wind微盘股指数预计将会继续获得交易性收益，该指数有望继续获得不错的回报。
从基金半年报看，公募基金持有微盘股市值96.6亿，占微盘股流通市值的1.6%，2016年Q4微盘股流通市值占比3.54%，比较而言目前微盘股投资尚不拥挤。由于A股近年的快速扩容，沪深两市上市公司数量超过了5000家，数量庞大的可交易标的有利于量化交易发掘阿尔法和分散投资。
在小微盘量化选股策略上，我们主要用机器学习的方法去预测个股阿尔法，在组合的层面我们充分分散，行业均衡，同时对市值进行适当下沉，努力用模型的阿尔法去超越单一的市值因子的表现。7月底开始中银量化精选进一步完善主动量化策略，当下关注偏小微盘风格的投资机会，目前基金规模还比较小，离策略容量上限还非常远，也欢迎投资者们关注。
