泓德基金李子昂：AI+量化投资大有可为，主流宽基指数存在较大修复空间

原标题：泓德基金李子昂：AI+量化投资大有可为，主流宽基指数存在较大修复空间｜基遇

【编者按】2023年，A股市场高开低走，全年震荡。各大宽基指数涨跌分化，主题投资风起云涌，上半年AI投资热火朝天，下半年华为、减肥药、人型机器人轮番演绎，市场结构性机会与风险共存。

搜狐财经《基金佳问》栏目特别推出“基遇2024”专题系列报道，复盘A股市场细分领域年内行情，展望及预测2024年各热门赛道的投资机遇，把握后市资产配置的主逻辑，寻找具有投资潜力的基金产品。

做客本期“基遇2024”的基金经理，是泓德基金经理李子昂，本期聚焦公募AI量化的投资方法。

更多基金经理对谈，点击进入搜狐财经《基金佳问》栏目

李子昂，泓德基金AI Lab负责人、基金经理。美国哥伦比亚大学理学硕士。10年证券投资管理从业经验。曾任北京隆慧投资投资管理部投资经理，华商基金量化投资部量化研究员，宏利基金风险管理与基金评估部助理专员。2019年4月加入泓德基金，现任多资产投资部基金经理。

出品｜搜狐财经

作者｜汪梦婷

AI赋能之下，公募量化走上快车道。在今年板块轮动频繁、投资难度加大的市场中，部分量化公募业绩表现优异，公募量化基金规模持续扩张。据Wind数据，截至三季度末，量化公募的整体规模约2891亿元，环比二季度末增长约166亿元。

李子昂表示，AI技术解决了大量数据样本的问题和多数据模态的问题，同时可以帮助处理更多的非结构化的数据，此外，深度学习在非线性Alpha挖掘中也较传统线性多因子模型有较好提升。

对于策略同质化导致的超额收益下降问题，李子昂称这不可避免，真正好的的处理超额下降的办法就是不断迭代新的模型，挖掘更多的特征，找到更准确的预测方法。

以下为访谈全文：

基金佳问：当前AI技术给量化投资带来哪些改变？相较传统量化，结合AI技术的量化投资优势在哪里？

李子昂：首先，AI技术解决了大量数据样本的问题和多数据模态的问题，当投资者从基本面Alpha因子的挖掘转向量价Alpha的挖掘时，不可避免地遇到了数据量大幅增加的情况，这时神经网络模型可以较好地处理大量数据问题。

同时，AI技术可以帮助处理更多的非结构化的数据。传统的模型输入一般聚焦在结构化数据上，而NLP技术可以让我们将文本数据建模，更好地挖掘新闻、研报、专家访谈、调研纪要等等文本数据中的Alpha。借助ChatGPT或其他能够做语义理解和分析的AI模型，可以将这些非结构数据与未来股票收益之间产生映射。不仅如此，卷积神经网络还可以完成图像识别，将K线做成标准化的图的格式并结合一些技术指标，即可与未来股价表现建模，极大地体现出AI在量化投资中的价值。

此外，深度学习在非线性Alpha挖掘中也较传统线性多因子模型有较好提升。

基金佳问：在AI技术跨越式发展的当下，AI是否会取代基金经理也饱受关注，您如何看待这个问题？

李子昂：AI能否取代基金经理，本质逻辑是AI能不能自己做投资。目前来讲，AI可以辅助投资，具备一定智能，但在量化投资上，AI模型并不能自己主动设计新的量化模型去适应复杂多变的市场环境。现阶段AI背后体现的还是模型设计者的智慧和想法，所以从业者做好AI投资需要具备科研精神和工程能力，要不断激发灵感迭代模型，保持投资策略有效性，以更好适应市场的变化。

总的来说，短期来看，AI模型的设计迭代依旧依赖于人的智慧和经验，AI暂时还没有表现出很好的能力去实现跨越式的自我迭代，但是不可否认，随着AI越来越智能，这个问题肯定还会被提起。

基金佳问：您管理的量化基金采用了怎样的投资策略？可以简要描述一下主要的投资模型和算法吗？

李子昂：目前我在管的基金产品是应用AI策略进行选股，主要采用端到端的深度学习算法对股票Alpha特征进行挖掘并对股票收益进行预测，我们将复杂的量价特征和基本面特征输入到深度神经网络模型中，通过大量的样本训练模型，模型在训练过程中不断对权重进行修正，并逐渐提升预测准确度。

无论是量化投资，还是其它的投资，本质都是一个Y=F（X）的过程。Y是你想预测的股票投资收益，X是影响Y的变量因子。F就是你用什么样的方式去提炼这些指标中的数据。在过去，像“市值”、“成长”都是X，F就是一个线性加权的模型。到了现在，X还包含很多交易的信息，甚至一些人的行为信息等等。F从之前线性的模型，现在提炼到很多机器学习、神经网络的模型里去。

由于现阶段AI模型还无法实现自我迭代，所以我们可以有两种途径可以找到更好地量化投资方法，一个是获取更多信噪比高的信息（X），另一个是采用更先进的方式（F）。

基金佳问：对于宏观经济因素和事件，量化模型有何反应？在不同市场环境下，量化投资策略是否会有相应的调整？

李子昂：量化模型擅长学习大量样本的普遍规律，因此可能会出现一定的普适性问题，如果当前的市场环境在训练样本中没有出现过，那预测效果可能就会带来一定的随机性。随着新数据样本的增加，量化模型可能会学习到新的规律，当然也可以采用多模型的方式降低模型全部失效的概率。

基金佳问：在量化投资中，风险管理是如何被整合到投资策略中的？对于仓位控制和资金管理，您有哪些具体的原则和方法？

李子昂：通常，量化策略会有相对明确的基准指数，在Alpha模型完成对股票的预测后，我们会通过风险模型使投资组合在风格（如成长、估值、技术等）上与基准指数尽量匹配，从而更好地聚焦在Alpha上。仓位管理上尽量遵循长期投资的原则，在市场低位时尽量维持较高仓位。

基金佳问：近年随着量化投资规模扩张，量化策略同质化愈发严重，长期来看超额中枢将随着时间推移而持续衰减，您在投资中是如何面对超额下降的挑战的？

李子昂：超额收益的下降不可避免，真正好的的处理超额下降的办法就是不断迭代新的模型，挖掘更多的特征，找到更准确的预测方法。

基金佳问：您对于量化投资未来的发展趋势有何展望？未来几年，您计划在量化投资方面有哪些创新和发展？

李子昂：公募量化早在2014-2015年时已呈现出蓬勃发展态势。几年前，国内公募就有人用人工智能的方法去做信息提取。目前公募量化的发展，已走过了从0到1 阶段，处于从传统多因子模型向AI过渡过程。

随着AI的发展，量化投资再次步入快车道，未来我们将看到越来越多的同行将AI技术运用于量化投资，也会看到AI学术界越来越多关注到金融预测和股票投资领域，我们也将不断前行，迭代开发自己的模型，努力实现更准确的预测。

基金佳问：对于那些对量化投资感兴趣的投资者，您有什么建议？在选择量化基金时，投资者应该关注哪些因素？

李子昂：第一，要看投资者对于beta端的认可。比如，当前中证500指数的估值分位不到30%。未来如果有一轮牛市，beta端的收益可能相对可观；二是alpha端，投资者要去考察哪些模型和方适合做alpha，这件事情是相对比较重要的事情。选择量化团队也要看其实现alpha的能力，剔除行业收益和风格收益之外，纯alpha的收益到底是多少，这也是量化团队之间差异和优势所在。

基金佳问：你怎么看待目前的市场情况？

李子昂：投资收益可以分解为估值和盈利两方面，现阶段主流宽基指数的估值都处于较低位置，在低估值的行情下，企业盈利若能保持不错的增速，将孕育出长期不错的投资机会，在短期估值偏离后会存在较大的修复空间。