在姜鹏看来，风险把控十分重要，“传统的量化风控更依赖均值约束，规避风格偏移。”然而，姜鹏团队在实践中发现这一方法存在优化空间。“以沪深300为例，该指数的平均市值非常大，但成分股市值分布极不均衡，从百亿级到万亿级均有覆盖。若仅控制均值，组合可能在大小盘风格剧烈切换时暴露巨大风险。”鉴于此，姜鹏表示，团队除了在平均值方面设定约束，还会在整体分布上进行约束，控制组合的市值分布与基准指数匹配程度。   团队首先将主动管理经验融入量化系统。“我们借鉴主动投资的排雷思路，对持仓个股进行非量化风险评估，例如管理层稳定性、舆情事件等。”姜鹏解释，“即便量化模型给出高评分，若发现公司存在潜在合规问题，我们也会手动剔除。”   其次，团队将机器学习的相关策略应用到了风控模型中，这一策略在应用的过程中充分体现了团队“反其道而行之”的逆向思维。“传统量化追求预测上涨，但市场上做多因子高度拥挤，准确率持续衰减。我们反其道而行之——用同一批因子预测哪些股票有潜在的下行风险。”姜鹏表示，团队发现相关因子在空头端的预测效果优于多头端。   做有逻辑的量化   尽管市场风格频繁切换，但姜鹏管理的中信保诚沪深300指数增强一直“发挥稳定”。Choice数据显示，截至3月28日，从近1年、成立以来等多个时间维度来看，该产品均跑赢了标的指数。姜鹏表示，均衡的卫星策略是该产品业绩良好的重要原因之一。   “我们的核心策略以多因子选股为主；而卫星策略则分散配置成长、红利、事件驱动等不同风格，并控制卫星策略整体的比重。”姜鹏认为，这种设计更能确保组合在不同市场环境下均能“接棒”。例如，2024年9月下旬市场大涨以来，成长和反转策略成为了重要收益引擎，使得模型能够迅速跟踪市场节奏的变化。在姜鹏看来，单一风格暴露过高可能带来短期爆发，但也会放大回撤。卫星策略的目标不是极致锋利，而是长期稳定。   对于市场对量化“黑箱化”的质疑，姜鹏认为，在这一方面，团队始终强调策略的高度透明。“我们避免使用原始数据直接训练模型，而是要求输入端的因子本身具有明确的逻辑支撑。”毕竟，模型的本质是逻辑的数学表达，而非数据拟合的玄学。   这种“可解释”“有逻辑”还体现在模型可以学习基本面与量价的交互行为上。“如果你对模型进行训练，其因子都是交易行为，那么模型学到的知识与基本面无关。因此我们模型训练的内容包含了基本面因素和交易因素
=*=*=*=*=*=
当前为第2/3页
下一页-上一页-
=*=*=*=*=*=
返回新闻列表
返回网站首页