導讀：過去10年對人類生活改變最大的就是科學技術。科技的本質是大幅提高勞動生產效率。數據技術已經不是一個單獨的行業，而是為所有行業賦能的工具。資產管理行業也是如此。未來10年資產管理行業最大的變革大概率是來自科技賦能。
中歐基金的基金經理曲徑就是這樣一位擁抱技術的新時代基金經理。她將公司和行業的基本面邏輯抽取出來，通過數據回溯驗證後，構建成一個投資系統。這個系統會幫助她來檢測行業和公司的周期性與成長性，給出選股和行業配置的信號。
在這一套系統化投資的框架中，最核心是提取正確的基本面邏輯。曲徑在建模前會訪談大量的行業專家和內外部分析師，並且將他們的邏輯用歷史數據回溯，沉澱出有效並可靠的驅動因素。這需要對基本面有進一步的認知，並且能夠將感性認知系統化。過去幾年，曲徑已經構建了包括金融、周期、消費在內的大部分行業數據圖譜，並且從行業理解的角度構建了多層次的投資框架。
我們認為，系統的構建如同「滾雪球」一樣，未來有很強的複利效應。通過系統能夠不斷將認知沉澱，並且不斷優化這個系統，最終變成了一種強大的算法，幫助基金經理了解各種行業變化，捕捉到投資機會。無論如何，科技確實在改變資產管理行業，量化和基本面的結合也已經成為行業新的變革點。
以下，我們先分享一些來自曲徑的投資「金句」：
1.我們並不是量化投資，是基本面出發的系統化投資。我們用自己的數據系統進行基本面投資，定位介於被動因子投資和傳統基本面投資之間
2.系統就像一個探照燈，定期掃描全市場，發現被市場忽視的信息
3.我們的投資，也是回到基本面的土壤上去做，先理解它、消化它，再將數據和基本面相結合，找到適應當前階段的「科技賦能」
4.我認為量化是一種工具，並不能被稱作一種投資理念
5.我們追尋投資的第一性原則，找到核心驅動力的源頭，為此我們會花大量時間訪談研究員、行業專家，去學習和理解行業視角，然後放棄嘈雜的細節信息，只抓核心邏輯
6.用平均數計算的一致預期淨利潤預測，並不體現賣方心中的正確預測，更不是買方心中的預期，那麼用它構造的估值必然就是風險因子
7.基本面量化是，每個人做出的盒子都是不同的，因為每個人對基本面理解的邏輯不同
8.系統化投資的三個步驟：1）抽取核心邏輯；2）構建模型；3）讓系統自動發送信號，其中最難的是第一步。要把行業的核心驅動力抽取出來，需要一些深度上的認知
基本面出發的系統化投資
朱昂：能否談談你們的投資框架？
曲徑嚴格意義上說，我們並不是量化投資，是基本面出發的系統化投資。我們用自己的數據系統進行基本面投資，定位是介於被動因子投資和傳統基本面投資之間。
我們都知道A股是弱有效市場，在各個交易周期上都有Alpha。量化私募已經用業績證明了20日以下的中短期技術交易，可以有豐厚的收益；基本面基金經理研究更專注看得更深，持股集中，證明了中長期基本面選股具有Alpha。我們自己介於這兩者中間，對比量化投資，我的基本面邏輯更清晰，去抓住權益投資的核心邏輯；對比傳統基本面，我的投資覆蓋更寬，過往勝率更高，但因為我們沒有基本面那種對公司的前瞻信念，必然持股周期也不能到達他們的2-3年。我們這種系統化投資的框架，對應目標是1-2年的景氣周期，因此對應的持股空間應當在3個月到1年。過去幾年的業績證明，對應這樣的投資周期，A股也展現了弱有效市場的特徵，挖掘了獨特的超額收益。
再深入一點講，相比於基本面投資，我們的優勢是信息處理能力，以及對公司的廣泛覆蓋度。對於個股的研究深度上，我們比不上基本面投資。但是我們覆蓋的行業足夠多，持倉的股票也多，也能達到一個比較高的穩定勝率。我們這套系統就像一個探照燈，定期掃描全市場，發現被市場忽視的信息。主動管理的基本面投資基金經理時間和精力有限，他們的關注點也會有盲點。比如說過去兩年大家都很關注白酒、醫藥、科技領域的投資機會，而另有許多行業的機會是比較被忽視的，我們通過構建一個信息系統，幫助我來監控更全局的變化。換句話說，我的系統就是我的哨兵。
相比於純量化的投資，我們又更加基本面，所有的模型輸出都建立在基本面邏輯的支持上，也會納入更多的行業特殊數據和獨特的選股數據，並不是完全依賴因子投資的模型。從不同投資方式的圖譜看，我們會比純量化投資更主動，但是又比傳統基本面投資更系統化。
回觀歷史，當年高盛的Global Alpha規模做得很大，收益率也很高，堪稱一個奇蹟。我認為那個時代的基本面多因子就是一群聰明人把優秀投資者腦子裡想的事情系統化了。比如說巴菲特要買低估值的公司，且公司要有經營壁壘。這個邏輯簡化了就是 PB-ROE的二元模型。通俗而講，多因子簡易的模擬了優秀基金經理看待公司的視角。
美國當時的多因子為什麼有超額收益呢？我認為在90年代到新世紀，因子投資在數據處理上確實有比較優勢。當時大部分基金經理還是用Excel測算，而能夠用上Oracle的資料庫，把審計報告中的每一個科目，準確的放進結構化資料庫。這在當時已經屬於一種科技賦能，大幅提高了生產力。所以輝煌也是時代的產物，那一代的多因子投資人既懂些基本面，又有數據獲取和回測的能力。
而站在今天，任何一個基金經理都可以用三方平臺，一行代碼都不用寫，用滑鼠點一點，就能做一個20年的多因子回溯。我們認為，因子投資已經不能完全算先進生產力了，最終會逐漸演變為風格投資。風格投資的不穩定性會導致有些年份賺錢，有些年份虧錢，最後可持續的超額收益就不多了。
我們再來回顧一下當年美國的多因子基本面量化是如何賺到超額收益的。核心就是抓住了兩點：1）正確的基本面邏輯；2）數據處理系統搭建的比別人更快更好。我們的投資，也是回到基本面的土壤上去做，先理解它、消化它，再將數據和基本面相結合，找到適應當前階段的「科技賦能」。如果過於看重每個因子的表現，閉門造車，就會出現只見森林不見樹木，總是停在投資組合的層面，陷入越來越不懂基本面的局面。歸根結底我們是在做權益投資，最終是要落實到個股和行業上的投資。
朱昂：你覺得量化投資和價值投資、成長投資的關係是什麼？
曲徑市場上有一種誤解，經常把量化投資和價值投資、成長投資等理念並列在一起說。而我認為量化是一種工具，並不能被稱作一種投資理念。這個工具可以拆解成各種各樣的理念。就像讀到同一條新聞，偏好博弈的人看到的是短期交易機會，長期視角的人看到的是行業格局的演化。最終我們做出什麼樣的模型，不僅依賴於技術能力，更多是投資理念、性格展開、乃至個人價值觀的不同。
朱昂：也就是你們通過把基本面研究邏輯進行結構化處理，去判斷行業和公司的投資機會？
曲徑可以這麼理解，很多時候基本面描述自己的邏輯，並沒有通過數據驗證。有時候和研究員討論了一個邏輯，我們做數據驗證後發現，這個邏輯只是最近這一次是對的。所以建模後呈現的結果仿佛很簡單，就是抽取了幾句話，其實背後我們可能驗證了好幾十套邏輯的修正。將邏輯串行並行，參數賦權，甚至一個邏輯推演裡面，嘗試換了幾個數據替代後，才落地了真正的模型。數學建模是個技術活，會技術又有耐心去琢磨基本面的人不多。
將行業認知提取成可跟蹤的數據
朱昂：能否談談你們的系統化投資流程？
曲徑我們的系統化投資流程有三個步驟：
首先，我們要提取行業和個股的基本面邏輯。第一步是整個投資流程中最重要，也是最難的。因為行業邏輯的提取，是仁者見仁智者見智，每一個做投資的人都在想這個問題。我們追尋投資的第一性原則，找到核心驅動力的源頭，為此我們會花大量時間訪談研究員、行業專家，去學習和理解行業視角，然後放棄嘈雜的細節信息，只抓核心邏輯。
比如說我們提取養殖行業的基本面邏輯時，基本上訪談了所有的賣方新財富分析師，把自己當作一張白紙，讓他們用培訓新員工的PPT來給我們上課。即便這樣，我感覺研究還是太浮於表面，沒有把握到真正的核心。當然，這是挺難避免的。人性決定了大家作決策時容易對近期的信息權重高，把80%的時間花在了研究最近的「變化」上；而最後，短期信息也許只貢獻收益的20%，中長期的驅動貢獻了收益的80%。於是我們決定我們重新回到「豬是怎麼養的」這個第一性原理的問題上，訪談專家，抽取了核心周期邏輯，再進行數據測算和驗證。在建模的過程中，我們抽取的是行業視角，我們最終建模用到的數據甚至包括豆粕和玉米的期貨價格，這和PB-ROE等傳統的因子視角是很不同的。
其次，我們會做回溯測試。「未戰而廟算勝者，得算多也，未戰而廟算不勝者，得算少也。多算勝，少算不勝，而況於無算乎。」回溯測試就是這個「算」的過程，回答的是這個問題：我們歷史上打勝仗的概率高麼？之前和做過產業經濟學的朋友聊我們的研究框架，他給出了另一個視角，他說「回溯測試」這個詞聽著太玄妙了，在他們產業經濟學看來不就是「實證研究」嘛。其實大家都是在做類似的事情，用數據和歷史案例來「算」獲勝的概率。
我們還是拿養殖為例，當前的龍頭公司2014年才上市。那歷史上2007年、2010年的周期怎麼「算」？我們最後搭建了系統，去掃公司的資產負債表和損益表，重新定義歷史上養殖的龍頭公司，復原當時的情景，自行編制養殖指數。最終我們測算下來，對於歷史上四次豬周期，我們系統的判斷都是正確的。更有意思的是，我們看到的本輪豬周期的起點，和豬瘟沒有太多關係，在2018年中旬就開始了，豬瘟更多是一個助推因素。我們有時候會開玩笑說：「農戶散養其實就是鋼鐵裡的地條鋼」，因為抽取核心邏輯後，周期皆通。
最後，我們要把這些邏輯都寫進我們的系統。我們的系統不是excel表格的方式，而是把這些邏輯都寫進自建資料庫，資料庫會自動幫我去掃描數據變化，測算信號，發出操作指示，這大大節約了我們平時的時間，讓我們能夠把更多的精力投入到新的研究中。
系統化的優點是特別客觀理性，同時覆蓋廣闊，能比較前瞻判斷行業的拐點。比如說在今年7月初，我就收到系統自動發送的郵件，提醒我傳統乘用車進入了可投資區間。當時，市場上的熱點還是晶片、醫藥等，我們應該算較早的發掘了乘用車機會。當時，專門找到汽車行業專家探討乘用車復甦的問題，有趣的是他們自己都對乘用車不樂觀。這時候專家意見和我的投資系統產生矛盾了，於是我又把建模的歷史信號拿出來回顧了一下，發現從2000年至今的20年歷史上的一共9次超配信號，我們模型都是正確的。最終，我選擇了信任系統模型，也獲得了不錯的結果。
數據的速度和質量帶來超額收益
朱昂：關於超配汽車行業的案例，能否再展開講講？
曲徑今年7月我們的系統就發出信號強烈看好汽車整車，後來8月也看到市場逐漸關注了乘用車板塊。簡單來說汽車是一個典型的消費周期股，供給和需求兩邊都會對行業產生驅動，導致汽車行業既有庫存周期也有需求周期。
市場上大部分的汽車研究員，都會跟蹤乘聯會公布的汽車銷售數據。這個數據有兩個缺點：第一，數據是上市公司報給乘聯會的，是「批發數據」，公司可以通過把汽車庫存壓給4S店而實現「虛高」；第二，這個數據是一個滯後數據，是第二個月才公告上個月的數據。
這個就像當年美國的多因子投資通過Oracle自動整理數據一樣，他們在數據獲取上有速度優勢。對於我們來說，也需要在數據獲取的速度和精準度上超越市場。我們會去儘量通過技術手段，找到代表汽車終端零售的高頻數據，信號也就能更前瞻也更加精準。
所以大部分人是在8月份看到了汽車銷量連續轉正，確認了剪刀差的反轉信號。而我們更早一點點把銷售數據算清楚了，比市場確認的行業反轉提前了一些。
朱昂：那麼你們是如何對各種高頻數據進行收集的呢？
曲徑一方面我自己會通過調研和測試尋找一些數據，另一方面中歐基金的研究平臺有一個智能研究團隊，這個團隊會專門採集數據，把數據進行結構化處理並且做IT開發，他們是做出一個數據的全集。我不是基於數據來回推行業信號的，而是先從基本面角度做數據的驗證，因此最後不一定用得到全集數據，我可能就用到一兩條核心數據。比如說汽車行業的邏輯，我會先用乘聯會的數據驗證過去20年的邏輯；在確認邏輯正確後，去搜尋更高效的數據，把這些數據迭代到我的模型中，這樣我就會有比市場更左側一點的信號。
較低的基準偏離度和較高的超額收益
朱昂：那麼像這些對周期有比較深刻know how的行業，你這邊覆蓋了多少個？
曲徑我們這邊把所有的周期股、金融股，以及消費股等板塊梳理得較好，最大挑戰的在於成長股。必須承認，這一部分確實還在摸索中，不是我當前的強項。成長行業需要更多前瞻視角和行業判斷，既要要看得深，又要看得準。未來這個成長角度更要依賴於公司平臺，期望公司的深度研究能給我更多的助力。
朱昂：當你的系統發出了某個行業超配的信號時，你一般在這個行業上會下注多少比例？
曲徑我用的是一個風險預算的方法。假設長期來看我們在選股上的超額收益年化做到15%，那麼我在行業上的風險預算就不能吃掉這15%。如果把我們的產品抽象成一個固收+產品，那麼這15%就是我們大概率能獲得的固定收益，作為打底收益。我可能會在這個基礎上拿出7%的風險預算去做行業偏離。同時，並不是所有行業都有這樣的正負信號，最終需要和基準偏離的行業只有少數幾個，那麼單一行業的偏離度最終只能暴露3-4個點。
朱昂：也就是說，你非常看重對產品基準的跟蹤誤差？
曲徑我們整體的跟蹤誤差控制很好，比傳統框架下的指數增強還要低。我們的信息比率很高，今年500增強產品的信息比率快到5了。當然，今年是選股Alpha的一個大年，30%的超額收益確實也超過了我自己的預期，我認為可期的常態是年化15%左右的超額收益。
估值是風險因子
朱昂：哪些是風險因子，哪些是Alpha因子？
曲徑關於這個問題，我們自己也一直在思考。我每個月都會拆解基金的風險暴露。Barra裡面有一個風險就是earning，也就是PE估值（市盈率）。為什麼估值是風險因子呢？因為這裡用的是公司過去的盈利和未來盈利預測，這個未來盈利預測用的是賣方一致預期。但我們知道，用平均數計算的一致預期淨利潤預測，並不體現賣方心中的真實預測，更不是買方心中的預期，那麼用它構造的估值必然就是風險因子。
如果我們能夠把一個公司明年、後年、以及未來五年的盈利算清楚，再倒推計算今天的估值，這個數與一致預期的估值之間的預期差，就會在歸因分析中落到Asset Selection（個股選擇）那部分，而不會落到Risk（風險）那一欄，就會是Alpha因子。
無論是我們這樣的系統化投資，還是傳統的基本面投資，很重要的抓手就是對公司的未來進行判斷，理解公司未來1年、2年、5年的淨利潤能做到什麼樣的水平，也包括到達曲線是個什麼樣子，再回過頭來看估值，才是正確的估值。
朱昂：我們之前訪談過一些高頻量化，由於高頻市場的容量有限，也開始進入低頻的基本面量化領域，這個會對你們的超額收益帶來衝擊嗎？
曲徑我覺得如果他們真的把基本面量化做好了，肯定對我們有衝擊。但是基本面量化和高頻量化不太一樣。高頻量化更像一個黑盒子，如果有人偷走了這盒子裡面的邏輯，也能去開私募賺錢了。
而我們的基本面系統化投資，每個人做出的盒子都是不同的，因為每個人對基本面理解的邏輯不同。我們自己構建的模型，都會加入自己對行業的邏輯理解和判斷。正因為每個人的理解和判斷不同，構建出來的模型也是會各不相同。
勝率的關鍵在於把握正確的行業邏輯
朱昂：Alpha就是一種Edge（競爭優勢），你認為自己的Edge在哪裡？
曲徑我前面講過系統化投資的三個步驟：1）抽取核心邏輯；2）構建模型；3）讓系統自動發送信號，其中最難的是第一步。要把行業的核心驅動力抽取出來，需要一些深度上的認知。我們的超額收益來源，還是在基本面的理解方面。
朱昂：你怎麼看待量化投資在中國未來的發展？
曲徑我覺得公募基金的量化投資會往兩個方向走，一種是越來越向被動投資這條路走，最後變成風格產品，包括還會出現很多Smart Beta的基金，收費低規模大，也可以發展很好。另一種是像我們這樣往基本面的方向走，試圖通過人腦再創造一些阿爾法，做成一個系統化的投資。我們認為A股作為典型的弱有效市場，主動管理的Alpha還很豐厚，目前看指數增強過去每年能在指數上在增厚15%，對比沒有收益增厚的ETFs，具有明顯的吸引力。
朱昂：你的投資生涯中，有什麼飛躍點或者突變點嗎？
曲徑我感覺自己的投資生涯沒有飛躍吧，感覺自己的投資方式更像一頭老黃牛，每天在田地裡耕作。不過，從基本面的角度逐漸理解A股是我這幾年最大的收穫。過去我只會寫代碼，相對來說工作比較封閉。這幾年我通過對基本面的理解，看到了一個不一樣的世界，讓我覺得很興奮。「學習是人的天性」，我特別認同這一點，把邏輯弄明白給我帶來了挺多成就感。
- end -
按姓名首字母排序