來源：EBQuant
作者：光大金工
基金經理調研紀要
王巖：招商基金指數增強產品的邏輯與差異
招商基金指數增強產品基礎邏輯
對於滬深300指數增強基金，如果我們保證它的beta和滬深300一樣，同時疊加額外收益，就變成一個比較有利的產品。為了達到這個目標，首先要保證在beta和指數相匹配，即跟蹤誤差一定要控制好。但如果跟蹤誤差到0的話，它就是指數本身了。所以我們還要放出一些跟蹤誤差，以追求更高的超額收益。
在這個邏輯框架下，我們就涉及到中證500、滬深300增強等產品。接下來我會介紹從產品的設計端、策略端一直到產品端的流程。但是思路的框架上，我想現在絕大多數指數增強都圍繞一個最基本的邏輯，就是從Barra體系出發。當然現在也有一些機構可能用axioma，或者其他的風控模板，但是邏輯上比較接近，就是在alpha端有一些自己特異的因子作為暴露，但是在風險端會把重要的風格、典型的風格，還有各個行業進行控制，以使得和指數儘可能地靠近，然後去追求超額收益。
我們模型研發中在兩個方向花的精力較多，第一塊是特異因子的構造，第二塊是風險因子的構造。在特異因子端，我們認為如果是只有我們做了的話，它可能是我們追尋的一個alpha。但有一些已經很常見的因子慢慢變成風格了，或者說變成一個beta了。以去年和前年大家都較認可的PB—ROE框架為例，一個公司估值不太高，同時盈利質量相對較高，則該公司可能具有alpha。然後大家在ROE上做文章，如ROE的各種變種：同比變化、ROE的質量等；以及PB的各種變種，來進行拓展。
這是一個傳統的框架，但是這個框架並不是毫無缺陷。典型的缺陷是某些行業不適用這個框架，如滬深300指數裡很重要的行業——醫藥。市面上35隻滬深300增強公募產品半年報或者年報披露的持股有一個特點，在隨後的兩個月裡有相當部分的產品在醫藥行業不太容易有alpha，或者它可能會拖累指數，因此更多時候大家可能選擇了平配。這是因為以前比較能帶來alpha的股票，像恆瑞醫藥、長春高新，估值都比較高。在PB—ROE框架中，特別是在量化體系中通過Barra的模板、alpha體系去篩選，會篩選不到這樣的股票。所以我們要思考如何保證量化的體系框架不變，但又不會因為某些瑕疵把好的股票錯殺掉，這是我們要思考的第一個領域。在醫藥板塊裡，我們重點關注存貨管理、運營效率、研發投入等方面，稍後我會詳細介紹。
另外如軍工板塊，更是不能看估值和ROE。軍工的估值一直居高不下，即使在2018年市場非常糟糕的環境下，軍工這個板塊裡面沒有破淨的，但是TMT是有破淨的、銀行歷史上它就是破淨的。所以PB—ROE框架在軍工板塊裡也不適用。但軍工透明信息有限，特別在量化體系裡，因此不能要求一個量化經理把軍工行業做得像專門做這行業的研究員或者基金經理一樣。那麼怎樣去克服這方面缺陷，也是我們在做滬深300增強時要重點做的事情。因為我們的短板在於對行業的理解，我們在軍工板塊是從分析師預期和分析師情緒這些方向入手。
銀行如果按PB—ROE框架來選股，大概率會選到交通銀行、民生銀行等。這些股票盈利質量還過得去、估值很便宜，但就是不上漲。那麼怎樣才能把招商銀行、興業銀行、光大銀行等股票選進來，是我們要考慮的另一個問題。
滬深300增強的主要思路
順著我剛才介紹的一些基礎邏輯，我想和大家分享一下我們滬深300增強設計的一個主要思路。內容主要分了4個部分，第一部分是關於招商基金的指數增強體系如何構建。諸位同仁應該對指數增強也比較了解，大家肯定調研過很多公司，一般都會涉及到以下幾個重點：
第一個是有特別好的alpha因子。但在這一點上我持有保守態度，我認為特異的、特別強的、只有一家公司獨有的alpha因子，現在是比較少的，或者說在相當多公司裡只是認為自己獨有。因此在基礎因子研究上我們只要保證不掉隊，儘管我們在個性因子上也展開了很多研究，也有很多自認為是個性因子，但我們不認為它是一個重要的賣點，因為我覺得每一家都有類似的因子。
第二個是如何合成多因子體系。有很多機構最初的做法是等權配置，這個很好理解，因為等權是最簡單的。一個模型只要副作用比較小、簡潔明了就是一個好模型。所以有些公司或者說有些產品設計之初等權配置因子，我覺得沒有問題。但我們現在做的思路並不是單純等權。我們的因子加權體系裡主要使用了大家比較認可的ICIR加權來合成大類因子，在大類因子之間進行等權配置。例如我們把整個因子體系分為8個大類，包括估值、成長、盈利、質量、分析師情緒、技術、微觀結構，還有公司治理。每個大類裡邊會有幾個子因子，如在估值裡邊有PE、PB、PS、PCF等因子，我們根據ICIR加權來合成一個估值因子。然後這8大類板塊構成了8個大因子再等權配置，這是我們多因子體系裡多頭的構建方式。
最後一個是產品構建。招商基金滬深300增強的產品特點是什麼？我們一直在強調的是跟蹤誤差。我覺得在35個產品裡如果比排名、業績的話，很少有哪家公司能保證業績一定是前三名或者前兩名，因為拔尖的通常每年會換。但是如果一個產品刻意地追求跟蹤誤差小，而且有超額收益、能打新，且同時擁有一些其他收益來源，比如轉融通、融券。我覺得它就是一個好產品，是一個很好的被動指數替代品。因此我們的設計思路是從跟蹤誤差入手。
具體地，我們在指數增強策略體系裡目前有8大類因子構成了alpha模型，我重點列了基本面類因子和技術面類的因子。基本面類又分為了盈利質量和估值，技術面分為了微觀結構和常規的技術類，如大家耳熟能詳的異質波動率、反轉動量等。微觀結構類包括了像日內波動率的殘差，上午和下午成交單的稀薄程度等，構成了我們微觀結構因子。預期類、輿情類劃為兩類，分別為分析師預期、分析師情緒。分析師預期包括了分析師對未來盈利的估計情況，對未來訂單的變化情況，分析師的評級評分等。分析師情緒是基於這些數據，分析師給出的結果變動情況。一個是基礎數據，一個是變動數據，由這兩塊構成了分析師的預期類數據和情緒類數據。
除了alpha端，我們的風險端是如何處理的？我司的產品設計裡滬深300增強行業偏離度是±1.5~2％。我們一般控制在±1.5％。但因為在約束優化過程中，有一些個股它可能在量化角度看比較好，所以有時候會超配一點到1.6％-1.7％。比如說恆瑞醫藥我們往往會超配一點，但幅度不會太大，因為我們個股偏離控制在±1％。其次，我們換手率約束一般是30％。換手率約束曾經是25％，但我們在實盤過程中發現如果以月度頻率交易，換手率大概為26％。這意味著25％的約束可能會刻意地只為了限制1％的換手，但影響了整體績效。所以我們放寬到了30％，但實質上是在26％左右。我們在2018年的換手率是全行業相對較低的，但2019年比行業平均水平高一點點。
在風險暴露上面，我們是在估值、盈利和市值上只有±0.3倍標準差的暴露，其他風格因子的暴露都是±0.1倍標準差。實際股票組合上，我們只在市值上有一點暴露。這是因為滬深300增強跟中證500增強、中證1000增強不一樣，它可選的成分股不多，因為市值限制只能選出有限的樣本池。所以我們把市值的範圍稍微擴大一點，±0.3倍標準差影響很小，我們沒有在市值上刻意地暴露，但是它的樣本池變多了，整體績效變好和回撤也不會變大。±0.3倍標準差已經是我們放到最大的風險暴露，大家如果對歷史淨值進行回歸，或者從我們每次半年報、年報披露的數據看，都是符合這一標準。
在股票數量上，我們一般是80-100隻，正常情況下是80隻左右。在特殊的幾個節點上可能會有小的偏差，比如在季報集中披露期。因為季報披露期的數據會多一些，所以換倉頻率會增加，在個股的暴露上可能會在短時間有一點偏離，但是長期看，我們這個約束已經寫在了交易模板裡邊。
這是我們的一個單因子平臺。單因子平臺之前的任務比較重，我們要對每一個單因子做以下幾個判斷：第一個是分組效果是否單調；第二個是否依賴市場環境，比如是不是在牛市裡特別好，熊市裡特別差；以及是否存在行業偏好、IC是否穩定、和其它因子的相關性、還有分層的效果是否穩定、流動性是否保證等。因為有的因子它可能看上去多空收益非常好，但它的流動性很糟糕，因此要做流動性檢驗。
我們這個庫裡歷史上大概有300多隻因子可以通過因子庫去做檢驗，然後實時地刷新右下角的兩個圖：淨值圖和最近一段時間因子的排序圖。但是為什麼說它是個歷史工作？我們現在的核心因子庫在由歷史上的350多個因子做減法，我們不會宣稱我們的因子多，我們現在經過篩選整合之後只有50多個核心因子，有一部分是刪掉了，有一部分是合併了。後面我會詳細介紹我們是怎麼合併的。
除了單因子，接下來很重要的是因子構成，這是我們一個基礎的因子體系構成思路。比如在滬深300內，我們以基本面、財務數據為核心去構建因子池，然把它們分為了8個大類，但這裡我只列了6個，因為有2個大類我們還不打算公開如何構成。我們有8個大類，然後在這8個大類之中，比方說像微觀結構裡邊大概有5個這樣的因子作為重點因子，這些因子根據ICIR加權合成一個微觀結構因子。以此類推，就是估值、技術、研發等，再對大類因子進行等權配置，這就是一個因子體系的構建。
接下來的兩個重點，是我們覺得在因子體系構建中對我們有幫助的，也希望能給大家一點啟發，即事件衝擊因子、風險因子，以及行業專屬因子。我不知道大家在以往調研的過程中，或者自己投資過程中有沒有發現這種現象：曾經有一種策略叫做事件驅動策略，但是我們不把它作為策略，而作為事件衝擊來看。這裡我們重點列舉了盈利意外、業績超預期和評級大幅調整等7個事件。這些事件發生之後，它會明顯地影響到個股的表現，所以我們把它作為一個事件衝擊因子。
另一個是風險因子。大家一般把傳統的風險因子定義為風格，以Barra的10個風格因子為主。而我們是以一些風險事件作為風險因子，這個風險因子係數是0或1。如果某個股票發生了風險事件，我們就把它加入禁買池，比如刑事訴訟、處罰、財產凍結等。我們對這類事件進行事件驅動測算，結果發現在未來360個交易日均具有負超額收益，那麼某個公司只要發生這些事件，該公司我們就從事件發生那天開始禁買一年。
最後是行業專屬因子，比如已經提到的軍工、醫藥、銀行、食品飲料。因為一般選股體系在醫藥長期是負超額、軍工體系不適用、銀行佔比17％很重要，所以這幾個行業要構建單獨的行業因子。食品飲料也有點類似，如果用量化體系選茅臺，它不一定會超配，因為茅臺估值起來了之後，其實在量化模型裡面它得分不會太高。因此要去考慮它的淨利率和毛利率的變化、存貨管理能力、經營效率改變等，然後單獨構建食品飲料行業裡的因子。簡單來說，整個因子體系是這樣一個輪廓，我們用大量的因子合成子類因子，然後經過ICIR加權合併成了8個大類，然後8個大類之間等權構成了多頭，但同時通過事件衝擊因子去調整每一個因子上的分值，再用風險因子過濾一遍禁買池，最後在行業上對專有的4個行業進行特殊處理，構成了整個多頭部分。
構成多頭組合以後，我們採用基於Barra這套體系開發的多因子模型來運行，雖然招商基金購買了Barra的系統，但我們有很多特異化的地方想自己定義，比如在因子合成上有一些地方要做個性化處理，所以我們就開發了這套系統。這套體系是按照Barra文檔來設計，我覺得應該每家友商都是通過這種思路來構建，只不過細節上可能有些差別。
如左邊多因子組合的回測表現，我們做出來的產品業績還是比較理想的，年化超額收益在12個點左右。當然它畢竟是回測，肯定會有一點虛高。右邊是2019年以來這套體系的超額收益情況。具有以下幾個特點：首先是我們的超額收益效果在2019年這套體系框架下相對比較明顯。但大家肯定會有一個疑問，即打新收益存在一定貢獻，這個我們也不否認。但是我們當時的規模大概是三個多億，打新收益會稍微薄一點。全年來看，策略端的超額收益還是有6個點左右，考慮到指數基金倉位上限是95％，因此今年整體相對於指數的超額收益大概是6個點。這個年化超額收益基本符合我們的預期，打新是屬於額外的增厚。從明年一季度開始還會有一塊額外的收益是轉融通、融券業務。我們打算未來把幾個肯定會買的權重股融出去，像貴州茅臺、中國平安等，一年大概能增厚20到30個bp。
總結來看，在過去的兩年（因為產品是2017年才成立的，我們沒有刻意統計2017年）即2018-2019年我們的產品有以下幾個特點：跟蹤誤在全行業相對比較低，肯定比中位數要低；風格約束比全行業要更嚴格、在暴露上也是更嚴格，至少從公開的數據看是這樣。
與競品的差異
接下來介紹我們的投資流程，目前是一個比較完善的零流程，從數據端生成的一些中間資料庫，在此基礎上進行因子研究，策略研究，生成比較核心的阿爾法模型，風險模型，交易成本模型，然後通過優化器生成交易清單，最後是業績歸因。經過我們前期的研究和賣方的一些研究，中觀層面的管理其實不能帶來超額收益，而且對原有的選股貢獻不衝突。以後我們還會加入中觀層面的積極管理，以適應市場的變化。
第二部分不可避免地要談一下和競品的差異。我先簡單總結一下，我們在競品上最大的差異並不是來自於alpha和風險端的控制，因為我覺得大家alpha端的差別並不是很大，因為大家都在做同樣的事情，就很難說公募之間在alpha上有多大差別。
我們的差別來自於哪？第一個是我們和部分友商在交易系統上有差別，我們有一套程序化交易系統。在交易生成、交易流程以及撮合對價等方面比較標準。有一些友商可能現在還在用交易室下單，這個是可能會造成一點誤差的地方。另外這套系統現在我們可以做到換倉的時候同時買和同時賣，兩邊不會出現暴露，在大額的申購贖回的時候都可以避免不必要的衝擊。同時還會在價格上進行對應的匹配。在方法論一致的情況下，我們認為這套思路可以使我們以更優的成交速度、更低的衝擊成本去完成換倉。
第二個差別是後發優勢，後發優勢怎麼理解呢？發得晚、規模小，但我認為它確實是一個優勢。我們滬深300增強規模目前不到三個億，超額收益比規模較大的產品稍微高一點，它來自於更低的交易摩擦，還有潛在的管理難度降低。另外我們的產品和目前規模較大的競品超額收益相關性很低。這意味著什麼？假如大家在做配置，肯定想讓有效邊界的前沿外移。那麼一方面是增加超額收益，這個其實比較難；另一方面就是把超額收益相關性降低，這個時候招商滬深300增強可以成為一個大家考慮的替代品，或者說一部分配置的選擇，因為我們的超額收益相關性很低。此外，我們超額收益的波動區間更窄，相對穩定一些。
第三個是打新收益。目前打新收益已經開始降低了：首先中籤金額減少了，現在中一籤科創板平均10來萬，對於基金來說並不高。而且它可能也就發個兩三隻，多的時候一天可能有兩隻要賣，少的時候可能幾天都沒有。但打新收益又確實是一塊存在的收益。那麼如果一個產品的alpha收益不穩定，只為了打新，這其實也不是一個好事。比如一個多億的產品用來打新是挺好的，但是超額收益一直沒有做出來，我覺得這樣可能也不太好。我們的超額收益相對較穩定，同時具有一部分打新收益，這也是我們產品的一個差異，或者說一個賣點。
最後一塊是關於溝通。招商滬深300增強現在只有7個機構客戶，我們肯定希望機構客戶越來越多，越來越穩定，跟客戶一起成長。這是我們願意努力的一個方向，而競品在規模很大的情況下全力服務好每個機構客戶可能會稍微有點吃力。但是我們現在機構客戶比較少，願意在這方面多投入資源，這是我們認為的第四個差異。
關於這個產品的實與虛，我想談一些剛才我介紹策略時沒有很仔細表述的方面。第一個是我們會觀察我們的友商，取其精華去其糟粕。於是發現有一些友商會說他們的數據來源可能跟別人不一樣，但我個人覺得這其實不是差別。我們主要數據來源還是通聯、聚源、萬德、朝陽永續、今日投資等。我覺得這個是大家常用的數據來源，但我不否認有些機構可能嘗試去做另類數據，但據我了解目前另類數據的效果好像還不太明顯，我覺得目前這些只是一個嘗試的方向，所以我們認為數據來源可能不是差別。
因子維度我覺得也不是很大的差別。因為從研究的邏輯來說，大家都會沿著現在的思路去看業界最新文章。如AQR會出一個10年論文集，然後講很多關於因子的東西，大學會發很多這樣對應的paper。我們也在做同樣的工作，我相信我們的友商從勤勉盡責的角度來看大家都做這件事情，所以說我覺得因子維度上大家是沒有差別的。比如像異質波動率，15年之前是一個逆天的因子，因子收益非常好，但是16年、17年之後，特別是17年之後，它變成一個誰都要去控制的風險因子了。如果有人宣稱說我是因為在這個因子上面賺到錢，其實不合邏輯，因為它本身是一個風格。我覺得因子在細節上優化是可以努力的方向，但這肯定不是各家的差異。
剛才開篇的時候我給大家介紹說，在因子上面我們從350個刪掉和合併了很多，這是我們願意去分享的一個思路。我們也不敢說肯定是對的，但至少我們是這樣做的。比方說PB這個因子，它本質上是一個低估值的邏輯。那麼低估值它首先有幾個不可比：第一個是行業內不可比，他跟市值有關，跟行業內的公司特點有關；其次是分行業不可比，銀行的估值一定是要比軍工的估值要便宜。但是如果不用PB去做全市場的一個參考的話，它是失真的。同樣地，在行業內有一些公司天然在成長，有些公司它就已經沒法成長，或者說他因為公司治理很差，所以說它估值就是低。比如民生銀行在銀行裡邊，因為它歷史上出過一些事情，那麼它的估值本身就低，這並不構成民生銀行比光大銀行要好的先決條件。所以在PB低估值邏輯上，我們要做幾個邊際的改進，第一個是考慮PB裡邊，P是客觀的都能看到的，但是B它其實隱含的是我們要看ROE的變化，因為ROE如果上去的話，B也會上去的，P不變的情況下，才是真的估值比較低。那就變成了要看ROE了，但是ROE裡邊是什麼影響它？是盈利在影響它。所以說我們修正邏輯就變成了我們要看那些盈利可以穩定增長、資本回報率改善，然後再看它的PB水平高和低，這樣的話在銀行裡邊我們就不會偏很多。同樣地在醫藥裡，我們就不會放棄恆瑞，就是這樣一個邏輯。
PB修改之後有兩個好處，第一個好處是回撤變小、收益變高。我做了一個對比，左上角的那張圖是我把原始的PB數據分成25組，觀察全市場股票收益的分組情況，越小那組越好，這合乎邏輯，但是中間有很多波折。但我們如果用盈利去重新調整PB，就會發現它變得更為平滑了，就是單調性改善很多，同時收益也變高了。
第二個是分組效果變得更為明顯，與之類似的是PCF。PCF本身是個還可以的因子，但是單純用PCF的話，效果其實很差，如左上角這張圖。但是如果我們用盈收和應收兩個角度考慮，PCF理論上看的是現金流的變化，如果現金流在增長，營收也同樣在增長，但是它應收帳款卻沒有變化的話，那麼認為這種邊際改善是良性的。我們去通過這種修正疊加PCF，能看到它最後修正後的效果，依然是要比傳統PCF要好得多。就是說通過這種手段，我們就可以把它疊加了3個甚至4個因子，PCF也是同樣的道理。疊加了這個邏輯之後，我們的因子改善效果就變得更為明顯了。
接下來還有一個是關於事件風控。之前我提到每一個事件出現以後，對於整體業績的影響，在隨後的5~10個交易日是不同的。這裡我舉了一個典型的例子，是上市公司業績同比為負。這個事件如果發生的話，在未來的15個交易日，同市值同行業的公司都是負的超額收益，但在15個交易日之後，他逐漸地回歸常態。因此事件風控是有必要的，即使兩個公司因子得分一樣，但是如果發生了同比為負，我也不願意多配它，我要儘量控制對這個公司暴露，這是事件上風控。同樣的我不認為這是一個差異，我也覺得這個是大家應該都在做的一件事情。
第四塊是關於因子擇時，有的公司認為和別人有差別，但我認為也是沒有差別的。因子擇時是很長一段時間內大家都在談的一個話題。因子擇時首先比較難做，其次做出來了之後效果肯定特別好。假如我知道未來哪個因子好的話，比如今年如果刻意的規避掉估值、分紅，業績就會特別好。但是因子擇時事後看是有這樣的效果，但是事前對因子進行判斷是很難的。這裡我跟大家分享兩篇文章，這兩篇文章也是AQR10年論文集裡的。第1篇叫做因子和smartbeta的回報，這篇文章否定了動量的效應。為什麼我說它否定動量效應？在因子擇時的邏輯裡，我們通常是從兩個思路出發，第1個邏輯是因子具有動量，好的因子未來還有好的表現。還有一個邏輯是因子反轉，一個因子歷史上不錯，但是現在突然變差了，我覺得它未來長期一定會好，這是一個反轉的思路。那麼動量和反轉構成了兩個因子擇時的主要體系，儘管我們可以在這種體系裡邊做很多的變化，有可能我們用別的方法去刻畫動量、別的方法去刻畫反轉，但一定是這兩個方向。
但這兩篇論文恰恰否定了動量和反轉。第一篇是否定動量的，這篇文章舉了大量的數據和論證去給出一個結論，使用歷史數據做動量意義不大。一個直觀的疑問是，我們印象中動量好像是有效果的，因為我們選12個月還是6個月，不同的樣本能看到因子的動量效果是不一樣的，時好時壞。有時候我選6個月3個月動量效果還可以，但是12個月就差一些，但又有段時間再去看，好像就失效了，這是為什麼？樣本的選擇其實是直接影響結果的，但是我們認為所謂的T統計顯著這個事件，在自然科學裡邊，就是說2.33倍標準差，過T值可能是已經算顯著了。但是在金融市場裡邊其實這個標準太低了，我們以為這個樣本是過了統計顯著性檢驗的，其實上並沒有。樣本的選擇直接影響到了結果，這個事情就不穩定。他提出了另外一種去檢驗動量的手段，剔除掉了統計上的一些偏差之後，否定了動量效應。
但是他給出了一個結論，即使動量沒有用，但是相對歷史估值做擇時可能是值得觀察的。如果我們把因子從估值的角度看，那麼估值的範圍高低可能會有影響。這和下一個話題有關，所以先簡單略過。
第2篇文章是smart beta的擇時，這篇文章否定了反轉。順著上篇文章把因子擇時拓展到因子估值的維度，但是如果因子估值是可行的，那就意味著我們肯定是要買那些低估值的因子，或者說因子估值相對利率水平較低。這裡有一個前提假設，就是低估值必須得是一個alpha才可以，要不然因子估值這個體系就站不住腳。因為估值體系如果可行，那低估值就是alpha因子， PB、PE、PS等等，只要是合理的就應該是一個超額收益來源。但這個和我們的直觀上的理解相悖，所以這篇文章裡也提出了幾個矛盾點，推翻了因子反轉這樣一個邏輯。我們看完之後感覺，首先因子擇時我們做得不太好，我們就沒有做因子擇時，我們做的是因子防禦。
MSCI在2017年推出了系列報告去講因子擁擠度，有段時間很多機構都在談因子擁擠度。因子擁擠度裡有好多指標，包括了因子估值、因子的相關性、因子的動量，機構的持倉映射到因子上等等。後來它從原來的5個拓展到了7個標準，但是事實上在A股市場裡我們測試過，作為曾經因子擁擠度的度量指標之一，只有因子估值在有些事件上面是比較敏感的。主要敏感在哪呢？如果按照因子估值來衡量一個因子擁擠程度的話，如果現在某一個因子特別擁擠，最好的那一組估值相對歷史水平非常高，後面往往出現一個情況是這個因子的回撤可能會變大。但回撤變大和這個因子一定效果差，這是兩個概念。因為因子擁擠不代表未來一定沒有超額收益，或是變負，也不代表說因子稀疏則一定會有更好的收益。但是有一點，這個因子變得很擁擠的話，發生回撤的幅度和概率都比常規情況下要多一些。所以說這就衍生出來因子擇時一個思路，我們不去擇哪個因子該多配，哪個因子該低配，但是如果一個因子很擁擠，我們就會刻意地控制它的暴露，這就變成了因子防禦的思路。
在歷史上因子特別擁擠的情況不多。這是我們對6大類因子的監控情況。除了2018年以及今年年初的時候比較特殊，某幾類因子，像盈利質量和估值擁擠程度比較高以外，其他時候的擁擠程度其實都還可以，正常區間波動。這背後的邏輯就是在市場的極端情況下，比如說2018年大家都看重公司的基本面，看中盈利的能力，看中現金流的水平，大家都去買這樣的公司，那麼盈利因子的擁擠度就逐漸在上升。但在上升的過程中，這個因子其實超額收益很明顯，這並不意味著說越擁擠就超額收益越差。但是在擁擠到一定程度之後，它出現回撤的概率在增加，那就像今年2月份到3月份，全市場的alpha因子都在回撤的時候非常典型，那個時候盈利質量回撤就很厲害，因為之前過度擁擠了。這又和當時的宏觀環境有關。2018年大家比較悲觀，那會比較看重確定性。而到了2019年春季躁動的時候，因為有很多緩和的跡象，外部壓力可能變小了，整個市場的現金情況有所改善，所以那個時候盈利質量又出現了一個大的回撤。這跟邏輯就是一致的，如果我們看到一個因子很擁擠，我們就控制暴露，這對於回撤控制是有幫助的。
所以我們在2月到3月的時候，不敢說產品業績是最好的，但是我們的回撤是全市場最小的，我們只有百分之一點幾的回撤，相對於全市場平均百分之二點幾的回撤要小很多，就因為我們在因子上做防禦，但不做擇時。
總結
小結一下，因子擇時、因子控制、因子選擇、因子合成，我都認為這些不是差別，這是一個勤勉盡責基金經理一直幹的事。真正差別來自於哪兒？我只認可以下幾種：第1個是規模和管理難度。因為規模小，管理難度就是低，像我們業績今年還可以，因為規模不大不小，三個億左右。我們更願意在交易細節把控上花功夫，這是我們在摳細節方面的工作。最後是針對客戶群體，相對於大的友商來說，我們覆蓋更全；相對於小的友商來說，我們投入的資源又多一些，這是我覺得我們真實有差別的。
說了很多產品的好處和一些值得談的點，接下來談一下我們產品的一個缺點，關於回撤。10月25號開始產品出現回撤，到11月中的時候開始對我有些警醒。因為正常回撤0.3~0.5％，其實我們不會太在意。滬深300增強今年的超額收益最大回撤是2月份的1.5％。因為當時全市場都回撤，我們當時只是去審視一下，如果是因子體系的全面回撤，我們就評估一下因子擁擠度的衝擊時間、原因、範圍，是否要進行因子防禦，這是可以有效去做判斷的。
但是最近一次回撤是有特異性的，因為我們相對於全市場的超額收益回撤要更大一點。那麼我們做了以下幾個工作，首先是檢查因子框架邏輯是不是出現了問題。我們審視了一下，在盈利質量上的暴露選出了很多典型的白馬股票，就像恆瑞醫藥、長春高新、貴州茅臺。上半年貢獻巨大超額收益的這些個股，我們稍有一點超配，而最近在回撤。醫藥行業我們也是超配了1.5~2％，但醫藥行業也在回撤，所以構成了我司專有因子的回撤。
同時我還看了具體的個股和行業有沒有特異原因。像剛才我介紹的，就是到了年底，其實大家有業績兌現的壓力，在這個過程中肯定帶來了一些衝擊。我們認為公司自身的邏輯並沒有改變，更多的是短期市場行為。這裡我們覺得不能完全不管它，但是同時我們也不認為是因子出現了大的問題。首先我們在收窄行業偏離和個股偏離，但是不會調得特別多。因為如果一出現回撤就調整，一定是經常的犯錯誤。我們認為如果因子邏輯沒有出問題，這個現象不是一個常態，它可能是一個短期的衝擊，也是我們在管理產品過程中必然要面對的。
最後談一下今年的業績，截止到12月17號，我們在35支可比產品裡排37分位數。最後是在風格暴露這塊，我們的暴露一定是比較小的。
Q&A
Q：據您了解，咱們的產品在什麼樣的市場環境下會相對好？什麼樣的市場環境下相對獨立一點？
A：這個問題涉及到我開始介紹的第1個問題，在因子的層面上面，我們做了分層檢驗，因子在牛市和熊市裡，流動性好和流動性不好的環境裡，是否能通得過驗證？那麼在這個層次裡，我們其實已經做過篩選，那些對市場環境依賴很高的因子，我們刻意的不使用它，就把它作為合成，儘量不受環境的影響。但是從運作的結果上看，一定是在熊市裡邊超額收益更明顯，這個應該不只是我們公司的特點，絕大多數的指數增強都是熊市裡邊超額收益明顯，在牛市裡邊超額收益相對弱一些。
Q：比如說從和其他家的差別來看？
A：差別來看，我們這塊相對比較均勻一點。我這樣說可能有點拔高自己的感覺，因為我們特意地想避免在不同市場環境裡更好或更差，所以我們在因子的選擇上已經預先做過一次篩選和處理。我們儘可能不對市場產生依賴，但是有一種特點，就是在高波動的環境下，我們的產品表現肯定會稍微差一點。因為在因子裡我們只有一個因子是沒有刻意去規避市場環境的，是叫低波動率因子。但低波動率因子我們不是直接用了個低波動率。在波動這個領域裡邊，一開始大家用的因子都是用標準差做波動率的，但是標準差有個很大的問題，沒有考慮開盤價、收盤價和中間波動的波幅，不考慮振幅問題，只考慮日回報的時間序列上標準差的問題。而我們考慮了開盤和收盤，儘可能去反映波幅本身背後的邏輯，用了大家在網上都能看到公開的算法，張楊算法。通過張楊算法經過市值調整的回歸，得出一個殘差。因為低波動長期是有超額收益的，所以這個因子我們在用，但它是作為一個技術因子。所以這個是刻意地對市場環境的偏差，其他的都沒有刻意去選擇市場環境。
Q：就是說在高波動環境，咱們相對來說會弱一點的？
A：稍微會相對弱一點，這是我自己的感覺。因為像今年一季度、在最近、在今年的9月份是有回撤的，我覺得都是向上高波動的時候。所以從實盤上我覺得這樣的，因為在單因子層面我已經儘量去避免它了，所以在多因子層面我沒有刻意去算，但從我管理的實際感覺上是這樣一種結果。
Q：我剛聽你說你覺得因子是沒有動量的，但是如果因子沒有動量，咱們做因子合成的時候，除了ICIR加權這種方法，還會有什麼樣的考量？因為ICIR講的是動量是吧？
A：對，這裡從幾個維度我去介紹一下，我的觀點不一定正確，歡迎大家指正。因為在短期的因子波動過程中，我不可能把所有的事情做到面面俱到，我要做一個取捨。我一方面不想去做動量，但是我又不否認，短期如果因子表現明顯的不好，我不想刻意地標配它或者超配它。ICIR加權裡邊有個很重要的條件叫做反向歸零，如果這個因子是一個越小越好的因子，結果現在變成越大越好了，那麼我就把它變成0了。這是我在ICIR加權裡邊我最看重的一塊，我把它權重直接變成0了，因為我反正有50個核心因子。
但是在大類裡邊我是等權的，我不考慮它的動量。因子越多，這套體系會越穩定，它的副作用會越小。但是在子類，就是大類下面的子類裡，我的ICIR加權更多是從風險防禦的角度，就是把ICIR加權裡邊的反向歸零做一個重要條件放進去。而且另一方面，儘管我個人是不太喜歡做因子擇時，但是我覺得人都有自己弱點。如果你的模型真的簡單到了，你把幾個數簡單加一下，你可能會心裏面沒有底。使用相對複雜的模型更多是一種心理上的寄託。雖然從實證的結果上看，用等權也好，用ICIR加權也好，在超額收益的時間序列沒有統計上的顯著性。但是反向歸零我認為一定是要做的，雖然只要你因子足夠多它影響也沒有那麼大，但是如果你只有三個因子或者兩個因子的話，這個就開始出現差異了。如果是50、60個因子，我覺得差異很小。
Q：我們說是在盈利質量上有暴露才會導致回撤，像我們因子暴露是會偏主觀嗎？還是說其實這樣是模型出來的結果？
A：結果肯定是模型出來的，我們是不會主觀上刻意約束這個。alpha因子上是不刻意暴露的，風險因子的約束是偶爾刻意暴露的。舉個例子，奧佳華是一個做按摩椅的公司，他有競標對手叫榮泰健康，也是做按摩椅的。奧佳華有大量的出口，但是奧佳華出口到美國、韓國其實不徵稅的，沒有加到徵稅清單裡面。但是奧佳華的股價表現就一直不太好，公司的基本面又沒有變化，銷售雖然今年看是有點惡劣了，但是在當時很多指標都很健康都很好，但是表現就是不好。所以說情緒上的影響一定會有，我們在那個時候會加一些負面衝擊的東西去控制它。因此我們不會控制alpha的暴露，但是會控制風險因子的暴露。
如果大家對滬深300增強沒有問題，我再簡單介紹一下我們的中證1000增強。可能會稍微簡略一點，因為和滬深300增強的邏輯大部分是重疊的，因子庫是一套因子庫，主要是在因子合成方法上有些區別。為什麼這個時候我想談中證1000增強，是因為中證1000指數的表現已經連續4年非常弱了，而歷史上這個指數的表現其實還可以。
中證1000指數最近走弱主要是因為之前爆發的財務造假、公司暴雷、商譽計提等都發生在這個指數裡面，導致大家對它的印象比較差。但是從去年開始，中證1000的盈利水平和現金流量都存在比較偏正面的改變，我們覺得在這個時候至少可以關注一下中證1000。因為中證1000和中證500的行業分布高度接近，好的公司成長起來會進入中證500。中證1000也孕育了很多那些有可能變成行業龍頭的公司，從現在看有大量的公司是細分行業龍頭，進不了滬深300，甚至可能也進不了中證500。這樣的公司就是我們常說的「小而美」，可能都在中證1000裡。還有一點是中證1000增強比較好做，今年我們做了14個點，最近幾年也是一直名列前茅。超額收益疊加上本身的beta相對於中證500增強還有一點優勢。現在疊加上很多所謂的政策上利好，就包括放開併購重組、對於減持上的一些約束放寬等等，情緒上也會稍微有利於中證1000的未來表現。
但是滬深300是機構配置的一個重點，是絕大多數機構的考核基準，所以滬深300肯定不能放。但是如果說在超額收益、beta的輪動上，我覺得中小票500和1000可以關注一下，而以前的彈性又相對比較大，這個是我覺得大家不能去忽略它的一個原因。