私募基金年度盛会重磅来袭！由排排网集团与世纪证券联合主办，银河期货、国联期货、私募排排网、公募排排网协办的“智算未来·量化跃迁”第九届AI&FOF投资创新发展论坛，于2025年7月18日（周五）在上海浦东丽思卡尔顿酒店璀璨开幕。

本次论坛汇聚了来自FOF投资、量化投资、券商资管、期货资管等多个领域的专业人士，共同分享行业前沿洞察，推动技术创新与实践应用之间深度融合。

在7月18日的论坛上，宏利基金策略投资部基金经理李婷婷出席并分享一下公司团队在公募量化行业接近十多年的经验和新思考。

李婷婷女士为北京大学金融硕士研究生，于2017年7月加入泰达宏利基金管理有限公司，曾任策略投资部助理研究员，研究员，现任基金经理。目前从业时间8年，投资管理有三年多的时间，现在管理的公募产品是以指数增强和主动量化的策略为主。

以下为宏利基金策略投资部基金经理李婷婷演讲全文：

宏利量化十余年的AI策略跃迁之路

各位来宾，大家上午好。我是宏利基金的策略投资部的基金经理，感谢主办方的邀请，今天能够有机会和大家分享一下我们团队在公募量化行业接近十多年的经验和新的思考。

简单介绍一下我们宏利基金，公司是国内首家合资转外资的全外资控股的基金公司，在成立的23年时间里，结合股东宏利金融的国际化视野，以及对中国资本市场的深刻了解，在过去的20多年时间里，对中国资本市场的投资有了丰富的经验积累。

我自己的从业经历，我是2017年毕业于北京大学数学学院，研究生专业是金融数学，所以我工作后做量化也算是专业对口的选择。自己是2016年开始来公司实习，实习以来一直在公司的量化团队，从研究员做到基金经理。2019年开始担任公募基金经理助理，2021年开始任职基金经理，开始做量化管理。目前从业时间8年，投资管理有三年多的时间，现在管理的公募产品是以指数增强和主动量化的策略为主。

今天给大家分享一下我们在十年间做的策略改进和迭代过程。

我自己是2016年开始来宏利基金实习的，我当时接到的第一个研究课题是做风险模型的研究。在2014、2015年这段时间里，大家更关注的可能是选股的因子，以及怎么做收益预测模型。但是我当时做的第一个事情是怎么研究一些更好的风险模型，市场上大家关注最多的可能是Barra的风险模型，其中十大类风险因子也是以个股的微观形容为主，比如说会对一些估值、市值等风格的描写。当时交给我的第一个任务是描述一下当前的宏观市场对个股的收益走势有怎样的影响过程。

我当时开发了一个宏观的风险模型，包括汇率对股票的收益波动的相关性分析，我在2017年入职后做的研究员的主要工作，就是做选股的多因子模型的开发。当时团队已经有上百个成熟的因子在库内了，我的工作是更多的、不同策略的新的因子研发。第二个是把我们策略现有的选股因子维护到公共的回测平台内，做到日频率的更新。这套统一的回测平台，也是经过了多年的改进、优化，目前对投资和生产环境都起到了很重要的支持作用。

到了2018、2019年的时候，团队有的几百个因子已经相对成熟了，所以我们想做一些更细致的改进工作。观察到有些因子和收益之间的关系并不是简单的、单调的、线性的一一对应。所以这几年我们做了很多关于因子非线性的改进，包括因子的分域研究等等工作，这个对于团队开发AI机器学习模型也奠定了很好的基础。

到了2020、2021年，更多的工作内容是开发一些Smart beta系列，以及做了一些多策略的选股开发。2020年我们发了消费红利基金，他的选股逻辑很简单，就是在盈利相对稳定，自由现金流比较充沛的消费赛道里优选股息率最高的50只股票。从2020年成立以来的实盘收益，相对同期的主流指数也有了显著的收益优势。所以我们发现很多有逻辑的、比较清晰的Smart beta指数，也是有很大的投资价值的。

2022年以后，我们逐渐改进到了一些非线性的，也就是今天大家提到的AI这一类策略的研究，在实盘外运行了三年多的时间，目前对我们的产品超额收益也有很大的贡献。

AI助力挖掘量价因子、基本面因子，将提供更多增量信息！

下面展开讲一下刚才提到的一些策略进化过程，今天大家对多因子选股体系都比较熟悉了，我们自己的多因子流程大概是这样的：

首先会拿到各个数据库的数据源，包括财报的基本面数据，还有分析师盈利预测的数据，以及市场上的一些量价数据，还有一些偏另类的特色数据。整合到本地之后进行因子开发的工作，因子开发既有手工开发的因子，也有一些AI机器学习来帮助我们挖掘的因子。

计算了因子之后，我们会对因子的有效性做一些系统的测试，我们会看一下因子是否有经济学和行为金融的逻辑支持，也会看一下因子在市场多控以及单调性上的表现。

经过了因子测试之后，会把有效的因子加入到因子库里面。在完成了选股因子计算之后，开始计算风险模型。风险模型除了主流的barra风险模型之外，还有自己内部研发的风险模型，包括手工定义的A股市场特有的一些风险因子，以及通过AI挖掘的一些非线性的风险因子。最后在因子合成的阶段，从原来的线性合成逐渐迭代到AI非线性的合成模型。

目前因子库里面的因子大概有上百个，主要是分为几大类，包括基本面的、情绪的、技术的、研究员的。其中技术因子既有手工挖掘的高频量价因子，也有机器学习挖掘的非线性的交易因子。在研究员策略里面，主要是基于内部的主动研究的基本面数据，以及高频的紧期跟踪数据也应用到量化投资里面。

在选择因子的时候主要考虑两个维度，一个是这个因子，不管是在基本面或者是经济学上有明确的长期投资价值的。第二个是在统计上，在不同市场上都有持续的有效性。

之所以我们会研究AI因子，这张图里也可以做很好的解释。这个背景的应用图，主要是机构资金、北上和主动基金为代表的股票型基金，他在整个A股市场的占比。可以看到17-20年，随着机构抱团以及基金净申购，这几年基本面因子有效性逐渐变得更加重要、更加有效。在300以内的因子，有效性从17-20年有显著的提升。

但是到21年的时候事情发生了变化，由赎回端导致的基金的负债端，产生了净流出的现象。也导致这类因子从2021年以后有效性也变得逐渐衰减。所以我们想开发一类策略，不受机构、资金、净流入、净流出的影响。所以我们把研究重点转向了AI机器学习，右边就是我们通过AI挖掘的量价因子，在2017-2024年以来，并不受机构资金流入流出影响，而是表现得非常稳定。背后的原因就是机器学习可以有效的捕捉市场的错误定价，只要市场的成交量是足够的，这类因子就能够实时的捕捉市场上的交易信息。

对于AI应用的几个模型，主要有几个方面：首先最简单的线性模型，就是传统的多因子，比如说有估值和ROE，我们做一些简单的线性打分模型。后期相对非线性的，简单的模型有一些角色树模型，可以优选一些估值比较低的，ROE大于10的股票，这个也是相对符合投资者的直观逻辑的。更复杂一点的，常识使用了神经模型，主要是用在日频和分钟频量化的挖掘上，不管是复杂度还是参数的量级上都有很大的提升。所以需要更高频，以及更大数据量的数据去做支持。通过神经网络挖掘了很多偏高频的有效量价因子。

大语言模型更多的是对新闻、研报分析师文本的挖掘，前面大家的研究主要是基于财报数据以及量价这些结构化的、标准的数据。大语言模型的优势，就是可以对一些非结构化的文本做有效地挖掘，对原有的财报数据做更好地补充。

具体应用上，我们对量价数据，通过AI的挖掘，可以把它看得很简单。量化对于短期股票价格以及高频交易，是我们量化收益贡献的一个主要来源。市场上很早就有一类，就是技术分析流派的基金经理，他们通过对股票K线图的历史走势的分析，能够对大量的样本挖掘得到股票未来走势的预测判断。AI做量价挖掘，就可以把它看成是一个看线，或者是技术分析流派的基金经理，通过对历史上过去几十年的数据的学习和训练，可以替代一个相对有比较多的历史经验，以及经过市场培养的成熟的技术派基金经理。我们再给他输入到一些高频的量价以及成交数据之后，他是能够给我们输出一个相对预测能力比较高的收益打分。

我们自己内部通过AI挖掘的量价因子，主要有几个频率，包括周频、日频、分钟频以及level2，通过对不同频率量价数据的挖掘，希望能够捕捉不同频率交易者的收益来源。

除了量价因子之外，把AI用到了基本面的研究中。像传统的大家做基本面因子的主要逻辑，就是拿到了上市公司的财务数据之后，我们会计算ROE自由现金流这些选股因子，再通过这些因子去做一个选股的预测。但是有了AI的自然语言处理技术之后，我们可以更进一步，比如说拿到一些新闻舆情，以及分析师报告，通过对这一类数据进行文本分析，得到上市公司管理层的信息，以及分析师对这个上市公司盈利的真实的情感打分。通过原来的财报数据叠加上文本的分析结果之后，可以双重地验证这个上市公司对未来基本面走势。

基本面因子一直都是公募量化研究的相对重要、相对有优势的研究方向。所以我们也会通过AI的加持，继续加大基本面上的研究方向。

除了刚才提到的之外，在风险模型端也用到了一些AI模型。因为我刚才提到了，我从实习开始做的第一件事情就是风险模型，所以我对风险模型的开发一直都在不断地尝试改进。原来的一些风险模型还是以线性的模型为主，比如说估值因子，一些流动性因子，或者一些简单的线性预测为主。大家比较熟知的barra里面，还有一个非线性市值，他的产生原因，就是因为市值因子并不是简单的单调关系，比如说小盘股会享受一些流动性溢价。大盘股会有一些护城河，或者是一些上市公司盈利质量的溢价，会导致市值的两端都有收益的相对优势。所以，市值因子和收益率的关系不是简单的一条直线，而是一个u型曲线的关系。

我们想解决这种市值因子，或者是其他风险因子的非线性问题，就想到了用AI模型来挖掘风险因子。

右边的这张图（见PPT）经过AI模型改进后的风险模型，对于原始的因子相对表现来看，不管是在收益稳定性上，还是在最大回撤上，都有了很显著的改善。所以现在内部的风险模型，现在是有几套：一套是传统的Barra模型，第二套是自定义的一些A股特有的基本面类的因子。第三类是AI挖掘的偏量价、偏非线性的风险因子。

整体框架上，既有传统的基本面因子，也有AI挖掘的因子。路演中更多提问的是你这么多因子，会不会挖掘的信息都是重复的？通过我们的回测，发现这里列了我们的AI打分和传统的几类基本面因子的相关性。可以看到大部分因子和AI的相关性都是在10%左右，所以说，AI是能够在传统的线性模型之外给我们提供一个更多的增量信息的。目前的指增产品上运用的策略，也是以基本面因子和AI挖掘的量价因子，两套模型并行的。这两套模型，因为它天然的低相关和互补的特点，可以使指数增强基金的超额收益相对的在不同时间段，都有一类策略给我们贡献正收益。

A股目前以宽基和行业主题指数基金为主，策略指数还有发展前景！

最后一块是分享一下我们在这么多年公募量化发展中对于产品布局的一些小思考。

这几年投资者对主动基金是存在很多困惑和疑问的，首先主动基金整体上业绩空间肯定是要更大的，但是存在的问题是基金的风格漂移问题，以及基金经理变更会对产品的持续性有很大的影响。

第二个原因，大家会觉得主动基金高度不透明，以及个体表现不确定，可能基金整体的收益是很高的，但是未必能买到收益好的那一类基金。大家的分化是很大的，给投资者的选基造成了很大的不确定性。

市场指数比如说沪深300中证500，过去几年逐渐被大家所认知，但是他的问题就是如果没有超额收益的增强，长期的平均收益率是相对比较低的，需要投资者有一定的择时能力。但是择时的技术对大家的要求又很高。所以在两类策略之间，这几年发展出来一类比较细分的指数产品，叫作策略指数。

策略指数的话，相当于把一些长期比较有效的选股逻辑规则化去定义为一个明确的指数产品。它的优势，它像市场指数一样，它具有透明的编制规则，相对容易理解。但是它的业绩又能够像主动基金一样，能够跑赢一些宽基指数。所以说这类指数最近几年的发展是相对比较快的，2023年以来规模迅速增长的宏利类的基金产品，以及今年发行比较火热的自由现金流类的产品也都是属于这个赛道的两只代表。

通过研究美国市场的产品布局，发现美国市场的指数分布，除了宽基指数之外，策略指数也是第二大主流产品，大概占比接近30%。但是A股市场目前还是以宽基和行业主题类的基金为主，策略指数也只是这两年刚刚开始起步的，所以我们认为策略指数在当下的A股市场，他还是有很长的发展前景的。

之所以策略指数在美国能够发展得这么好，我们觉得一个是因为美国投资者对风格因子的这套体系他是相对熟悉的，而且策略指数的很多编制逻辑是符合投资者的主观认知的，长期下来收益表现也能够满足投资者的配置需求。像美国市场除了传统的红利产品之外，还有一些偏价值、偏低波以及偏多因子的策略，最近几年发展也是比较好的。

我们自己通过学习海外经验和自己的因子研究经验，在我们的产品里做了一些尝试。这只产品从去年7月接收以来做了策略改造，就是把它定位成一个红利增强类的基金，在这个里面也做了一个smart beta的尝试，会优选一些低估值、低波动的产品组合，两类叠加，构建了一个偏价值低波，偏收益可持续性更高的策略作为一个压舱石，希望给投资者提供一个相对稳定，盈利确定性相对高的配置工具。

最后展示一下我们部门的产品布局，宏利目前的产品布局是聚焦于指数增强和策略指数的，目前的宽基指数增强产品有沪深300、中证500，中证A50以及新发的中证A500两只宽基，另外消费红利也是我们的第一只策略指数，未来希望在A股市场能够发掘更多更有效的策略指数来进行布局。我们还有两只偏主动量化的基金，我们也会把它明确一个标准的考核基准，在这个基础上做超额。整体定位就是希望能够在明确基准的前提下，力争为大家提供一个稳定的α。

我们追求的目标就是希望通过长期稳定的超额收益，为投资者带来大幅战胜指数的可能性。以上是我今天的分享，谢谢大家。

风险揭示：本文所涉的基金管理人及基金经理的个人观点（如有），不代表深圳市前海排排网基金销售有限责任公司（“我司”）的任何立场，不构成任何投资建议。

投资有风险，本资料涉及基金的过往业绩不预示其未来表现，基金管理人管理的其他基金的业绩并不构成基金业绩表现的保证，我司未以明示、暗示或其他任何方式承诺或预测产品未来收益。 本资料所涉产品数据及信息来自基金管理人、托管估值机构或外部数据库等，我司无法对其真实性、准确性、完整性作出实质性判断和保证，投资者须以中国证监会资本市场电子化信息披露平台、基金管理人官方网站及其委托的基金估值核算机构发布的内容为准。投资者应谨慎注意各项风险，认真阅读基金合同、基金产品资料概要等销售文件，充分认识产品的风险收益特征，并根据自身情况作出投资决策，对投资决策自负盈亏。版权声明：未经许可，任何个人或机构不得进行任何形式的修改或将其用于商业用途。转载、引用、翻译、二次创作（包括但不限于以影音等其他形式展现作品内容）或以任何商业目的进行使用的，必须取得我司许可并注明作品来源为私募排排网，同时载明内容域名出处。