在中国，量化投资的发展速度正跟它的交易速度一样一日千里。

这个蓬勃于江湖草莽、壮大于海归私募、规范于监管机构的投资范式，混合着机器学习、人工智能等深奥词汇，与占地面积等于10个篮球场的超级计算机等都市传说一起，迅速地在国内市场和投资者心智里占据了一席之地。

在正处于机构化的历史进程中的A股，拥有量价、CTA、基本面多因子、统计套利、指数增强等策略的量化投资，往往能够快速发现投资机会。而在这背后，是一个团队甚至一家公募基金公司在持之以恒地研究、积累之后，所搭建的量化模型。

对于量化投资的多种策略，以及在中国市场的应用，博道基金的何晓彬可能是国内认知最深刻的人之一。

何晓彬，厦门大学经济学博士，从事证券、基金行业已经超过18年，拥有9年量化实盘投资经验，先后在多家公募、私募担任金融工程研究员、总监、专户投资经理。2014年加入博道投资从事量化投资，2017年担任博道基金研究部负责人，开始参与打造融合股票、量化、债券等策略的大研究平台，同时又管理专户量化产品。

长期历练中，何晓彬在融合多年的基本面研究管理和深厚的量化策略背景下，开辟了自己的独特风格：融入长期基本面逻辑的“量化+”投资方法论。

通过对主动投资和量化投资的比较研究，他发现，传统的基本面主动权益投资超额收益高但胜率并不稳定，在风格多变的A股，每年业绩排名稳定性并不理想。而持仓分散、追求系统化投资的量化策略超额收益更可持续，也更适合震荡分化的行情。

为此，他特意融合两者，基于长期基本面逻辑，在好生意+长期竞争力+行业景气上做系统化投资，兼具基本面投资和量化赋能的优势，力求让基本面投资更“系统”，让量化投资更“聪明”。

在具体策略上，一方面，针对主动投研团队深度研究形成的长期竞争力推荐池，通过量化模型筛选，构建长期竞争力组合；另一方面，从基本面因子出发，超配景气行业和个股，构成景气驱动力组合，充分融合博道基金长期基本面研究和量化研究成果，发挥“1+1>2”的合力，力争长期可持续的超额收益。

近期，猫头鹰研究院与纵横国内量化江湖多年的何晓彬，进行了一次深度交流。在交流中，何晓彬完整阐述了他的投资策略。本文把对话内容进行精选，以飨读者。

猫头鹰：博道基金研究副总监兼研究部总经理何晓彬，是一位非常资深的，做量化出身的实力老将，拥有18年从业经验，之前都是管理私募或专户量化产品，这次他终于推出了首只公募产品：博道研究恒选，这是一只采用定量和基本面投资融合策略的产品，先请何晓彬系统介绍一下他的投资方法。

何晓彬：量化策略的主要优势在数据的宽度，可以在更多的股票上去寻找超额收益，或者说更可持续的超额收益。

现在整个量化多因子策略发展态势有两个方向，一个方向是往AI机器学习方向，把策略交给算法。另一个发展方向，是利用主动逻辑因果关系去补足量化在长期数据维度的不足。

目前我们量化团队在这两个方向都在尝试，杨梦团队更多围绕着量化增强策略、机器学习的方向深耕，我自己则希望在基本面量化方向更前进一步。

我给自己的定义是基本面投资“新势力”，有点像现在的造车“新势力”。造车“新势力”是软件重新定义汽车，也是希望将丰富的智能和互联网产品体验赋能汽车，本质上它还是要做造车这个工作。我自己的量化策略，核心还是围绕着基本面投资，希望融合量化和基本面投资在不同时间维度的优势，我整个框架是基本面为体、量化为翼，用系统化方式做基本面投资。

图：权益基金长期回报拆解

公募主动权益基金作为基本面投资策略的代表，历史上创造了优异的超额收益，我进一步去对其收益做了一个分解，研究超额收益的能力究竟来自哪里，为构造量化策略提供思路。分析数据结果，最后我把收益来源拆解出了三个层次，分别是：

（1）第一层，权益资产风险溢价，即承担了权益资产本身波动后，应被补偿的回报，这是用非常低的成本可以拿到的，比如去买中证800指数ETF。根据2006年1月1日至2022年3月31日Wind数据显示，中证800指数年化收益率为10.52%。

（2）第二层，较容易获取的超额收益。2006年1月到2022年3月偏股混合型基金长期年化回报是15.38%，高于同期权益资产风险溢价本身，那么，这部分超额收益就是偏股混合型基金整体作为基本面投资者创造的价值。

我们进一步分析这部分超额收益的来源，归因结果显示，仓位选择贡献很小，主要是行业选择能力和个股选择能力，两个能力还比较平均，行业能力主要体现在消费、医药、科技、高端制造等更优质行业的超配，所以公募权益基金总体靠“两把刀”争取超额收益，意味着要参与竞争也需要行业配置和个股选择能力。

（3）第三层，较难获取的超额收益。这是优秀公募权益基金经理进一步超越同行创造了更高的超额收益，这个超额收益相对更难，因为要有更高的超额收益需要组合里有长牛股，而市场少数公司获得大部分市值增长，“马太效应”非常明显，不论A股还是美股都有这个现象，这意味着组合要有更高的超额收益，需要找到这些少数的优秀公司。

因此，要想赚到后面两个超额收益，需要在三个维度上构建能力圈：第一个维度是个股选择能力；第二个维度是行业配置能力；第三个维度是对优秀公司的认知。我们希望在保持量化宽度优势的同时，借助主动深度研究数据资源，补齐量化在长期基本面方面的不足，使得量化模型最终具备这三个维度的能力圈。

数据测算显示，如果一只权益型公募基金的业绩表现能够长期稳定在50%分位数之上，比如40%分位数，那么7年多后，它长期累计业绩的排名分位数是20%左右，这就是一个很好的产品了。我们希望能够融合量化和长期基本面投资的优势，争取在跟住偏股混合型基金长期平均水平的基础上再加一些对优秀公司的超额认知。

我们基于前面的这些思考去搭建组合的策略，构造了“核心+卫星”的复合策略。

图：何晓彬投资框架

以“长期竞争力策略”为例，它是在主动投研团队的长期竞争力推荐池基础上量化方式精选个股。我们公司的主动投研团队很注重对优秀公司的研究，内部倡导学习型组织，大家相互分享认知，除了管理好自己的组合外，基金经理、研究员都要推荐自己心目当中认为长期优秀的公司，研究平台把这些数据沉淀在整个系统里面，所以在我们的投研系统有完整的基金经理以及研究员，对优秀公司研究的认知沉淀。我们把这个数据作为模型的长期基本面因子，量化精选形成策略。

在我看来，要实现把主动基本面研究的认知沉淀在量化策略里，肯定不能依赖于量化基金经理本身主观去理解全部的认知逻辑，但是量化方式又需有一个客观的筛选规则。

在这个规则方式的确定上，我探索了很久，去想这些数据该怎么用它，后来受到桥水的启发，达里奥在《原则》里面有提到他们内部怎么去对大家研究的观点形成更有效的决策，提出了所谓的“创意择优”，只要系统跟踪每个人过往的观点准确率，在这个基础上再去赋权，通过加权就可以形成相应更优的观点。

这对我们的工作很有启发。我们每年也都做研究员数据的考核，包括模拟组合超额收益高不高，重点推荐收益怎么样等等，这些数据全都在我们内部投研系统沉淀下来了，这样我就可以利用这个数据，去做一些筛选和加权。

这里面最关键的要素就是研究基础设施的数据，如果没有这个东西是很难去做的，我觉得这也是我们这个策略的核心壁垒。因为只有少数的公司能够投研全员参与合力做同样的事情，而且这个数据还是活的数据，不是一次性筛选就结束了，它是一个动态持续在更新的数据，这个我觉得是很有价值的。

虽然最终我们是用量化方式构造策略，但是高度还原了主动投资的过程，尽量让两种方式取长补短，发挥多元和稳定的优势。

我的新产品就是用这样的多策略配置投资组合框架，产品设计多元配置的特点决定了它很难阶段性跑到最前面去，但也确保不会跑到最后面。我们按照这样策略配置的目标，希望收益能够长期达到偏股混合型公募基金中位数之上一点的目标，比如能够在50分位数到20分位数之间，这样的话长期累计的回报会非常有竞争力。

猫头鹰：好的。谢谢何博。何博是一位非常资深的量化从业者，之前也管理过很多的私募产品或专户的产品。现在是要在博道发一只公募产品，核心策略是用长期竞争力精选个股量化策略，卫星策略是用景气驱动力优选行业量化策略，结合起来是可以取长补短的。

我们关注到，市场上有一些基金产品是对标偏股混合型基金指数（885001）的，其中有博道原来的量化产品，也有其他家公司量化产品在对标这个指数。何博能不能介绍一下，这个核心+卫星的策略，跟这个指数对比起来会有什么优势？

何晓彬：我总结一下，我们这个策略把投资目标定在偏股混合型基金中位数之上的核心逻辑。

我们觉得要战胜偏股混合型基金指数，一个核心问题是解决战胜基金重仓股指数的问题。

因为所谓的中位数收益，其实就是偏股混合型基金指数的收益，怎么拿到第二层的超额收益？假如说我们穿透把偏股混合型基金所有的持仓提取出来构建一个投资组合，这个投资组合理论上对应偏股混合基金指数的收益。

但是，我们其实是不知道偏股混合型基金实时的持仓，只能知道每个季度前十大重仓，但是理论上也可以把它的前十大重仓提取出来，做抽样复制，去构建一个组合。

这个重仓股策略我们做了模拟测算，历史回测的收益在中位数附近，因为这个持仓是有滞后的，同时还没有交易这个维度，但已经可以近似替代了。

所以，首先要解决战胜基金重仓指数这个问题，但其实单靠量化方式很难。因为基金核心持股很多是长逻辑，量化优势更多是一些短逻辑，因此，我认为只能靠主动深度基本面研究赋能选股才能解决这个问题，这是我们长期竞争力策略配置的基本逻辑。

此外量化可以在基金重仓风格之外的地方赋能，例如补充短期景气度的超额收益。因为市场的风险偏好会变化，有时候给长期的竞争力赋权更重一点，有时候对短期的景气度看得更重一些。所以我们形成了核心的长期竞争力策略+卫星的景气驱动力策略的混合策略，力争超越偏股混合型基金的长期平均回报。

猫头鹰：可能对于很多个人投资者来说，量化产品需要有更明确的定位。何博做量化的时间非常长，对传统的多因子，机器学习AI策略，包括在私募产品当中比较特殊的量化策略也好，都有比较丰富的经验。在你来看，从传统的多因子，过渡到机器学习，或者基本面结合比较多参考主动基金经理这样一些思路，这些策略它们之间比较来看的话，您会更加推荐目前这个产品的策略吗？

何晓彬：其实从资产配置角度，我一直有这么一个理念：配置越多元，整个组合收益的性价比就会越高，理论上两个方向的策略都值得配置。

从策略比较的角度来看，机器学习主要往价量这个方向发展，更多是赚均值回复的钱，或者是市场里情绪波动的钱。这类策略不一定符合多赢的格局，因为这部分超额收益，很大一部分是从散户那里搬过来的。

而往基本面投资方向发展，则更多是把企业的盈利，把企业创造的价值搬给投资者，可能这个更符合多赢的格局。

从策略容量维度来讲，均值回复的价量策略，毕竟还是会有策略容量的上限。但基本面这个维度它的容量是很宽广的，因为企业的价值创造可以不断扩大。

当然从资产配置角度，两个策略他们在不同的维度上，都是为了创造超额收益。从组合的角度，最好就是多元配置。

猫头鹰：我们看到偏股混合型基金指数，在2019、2020年大幅度跑赢同期上证指数。但在今年，则跌幅比较大。你觉得如果产品对标这个指数的话，长期来看，会不会有比较好的超额收益？

何晓彬：我觉得偏股混合型基金指数跟宽基指数对比，实质有风格轮动的因素，因为偏股混合型基金整体偏成长风格。

A股市场2016-2018年是偏价值风格，2019-2021年是偏成长风格，今年确实有可能进入到偏价值风格。本轮价值风格占优，我们研究下来背后可能有三个主要原因：

1）伴随陆股通的开放，海外资金持续流入A股，国内利率中枢下行和市场波动率下行，A股呈现一定的美股慢牛特征，对应中美资本市场联动性提高，我们统计了18年以来美股成长价值轮动表现和A股风格轮动基本一致，通胀高企背景下美联储加息预期使得美股成长风格向价值风格轮动，对应也外溢到A股，使得近期市场也呈现价值风格占优的情况；

2）商品价格高企，偏上游的周期行业维持高景气，保持着一定的市场活跃度，这些行业总体偏低估值的特征；

3）国内稳增长背景下，市场对房地产企稳和基建发力的预期较高，使得金融、地产、建筑等低估值行业有明显的表现。

关于风格轮动我之前看到一篇文献《量化周期》，这篇文献回顾了美国过去一百年，传统因子例如动量、价值、质量等的表现，文献的结论是因子轮动，跟经济周期、通胀周期，包括情绪周期关系都不是那么紧密。

我们研究也发现，上一轮美联储2016年-2018年的加息周期，2016年开始加息的时候，确实也是出现了成长向价值轮动，但是后面它虽然一直在加息，其实风格还是又回到成长了。

所以短期关于成长价值的轮动，后面还需要再紧密观察，到底是不是长周期拐点，关键是盈利趋势的判断。

长期来看，我们还是回到“三个层次”的收益来源上，我们对企业基本面长期价值创造持有坚定信念。

猫头鹰：按照你的复合策略，组合分散度、股票数量和换手率大体是什么情况？

何晓彬：我们在每一个策略构造上，都有做单独的分散度风控措施。比如长期竞争力策略中单个行业的上限是20%，个股的上限是10%。

从股票数量来看，长期竞争力策略大概选出来30-40家公司，景气度轮动策略大概选出50-60家公司，合计大约80-100个股票。

换手率的情况来看，由于长期竞争力策略的因子是长期维度，虽然这个池子在动态变化，但是总体这个策略换手率会稍微低一些，而景气度轮动策略的换手率会稍微高一点，所以一个偏低一个偏高换手率搭配在一起，合计大概单边年化换手率是3倍左右。