公募指增及量化基金经理精选系列五：多元化数据模型驱动 策略优化技术革新
公募指增及量化基金整体投研实力不断提升，在人工智能等尖端技术以及非结构化数据资源上的积极布局，充分拓展了量化分析框架的广度和深度。公募指增及量化基金在拥抱前沿技术的同时，始终坚守基本面研究、注重风险敞口控制，通过多元化互补的方式增强策略的灵活性和稳健性，从而在市场中展现出一定的适应力。今年以来在极端环境下，行业整体超额回撤可控，而且快速回升，3月底主要宽基指数增强类别今年以来平均累计超额基本回到了零上区间，二季度以来整体超额水平进一步提升。
本篇专题将继续延续之前《公募指增及量化基金经理精选》系列专题中对于公募量化基金经理的多角度刻画亮点，进一步聚焦华泰柏瑞基金笪篁、中欧基金曲径、中银基金姚进、博道基金杨梦、长信基金姚奕帆等5名投资框架体系各有特色、超额稳定性相对较强的基金经理(按照姓名拼音字母顺序，下同)。我们将综合这5名基金经理的量化体系特点、风险控制制度、投研团队现状以及产品绩效表现等多个维度进行深度研究，并结合历史持仓明细数据进行全面分析和特征刻画，以供投资者参考。
笪篁：坚持以基本面研究为基础的全市场量化选股策略，十分重视因子的构造逻辑。通过和主观研究员密切沟通的方式，实现对不同行业基本面因子的精细化刻画，再结合风控技术，实现稳健的超额。传统低频基本面策略侧重中长期投资，同时淡化仓位择时和因子轮动。因子使用方面，以基本面因子为主，采用线性模型和非线性模型结合的方式加权。除传统低频基本面多因子模型外，华泰柏瑞量化团队自2021年开始将短周期交易模型应用于个别产品中。
曲径：深耕基本面量化领域，充分利用公司内部行业研究员对行业的深刻理解，基于行业基本面投资逻辑构建选股模型。在标准的多因子框架下持续扩充低相关性的阿尔法来源，去年到现在不断扩充多元数据，在借鉴内部主观基金经理的投资逻辑重新打磨基本面因子同时，也积极引入外部投研人员及数据专家，补充深度学习挖掘的量价因子、另类因子等。因子组合层面，并未应用非线性手段或深度学习模型，深度学习仅用在量价因子的构建层面。
姚进：主要采用机器学习和传统多因子模型等多策略叠加的方式运作，通过不同类型策略的相互补充，以期达到降低组合超额波动性的目标。整个团队所管理的指增及量化基金产品底层的数据因子、子策略、框架均一致，只是不同的产品由于各自选股域的不同，采用的子策略或者子策略的权重会有一些区别。风险模型由团队自己构建，满足灵活性和个性化需要，每类策略均需要满足行业、成分股、风格因子的敞口控制要求，整体风控较严格。
杨梦：强调模型体系的均衡，旗下指增及量化基金大多采用传统多因子模型与AI全流程框架均衡搭配的方式运作，模型内部描述基本面趋势的偏动量类的因子与描述股票均值回归规律的偏反转类的因子均衡配权，以期通过均衡化的方式，增强整体体系获取超额的稳定性。在经历了今年春节前市场的大幅波动之后，于2月底进一步收紧了风控参数，并将模型进行了一次全面迭代，目前各个风格因子的暴露均控制在0.3倍标准差以内，追求更纯粹的阿尔法。
姚奕帆：注重因子的深入研究和细致化处理，因子储备充足且非常重视对因子细节的打磨。对于新的数据、新的技术也能够充分应用，为了应对传统基本面因子有效性下降的问题，团队选择寻找与传统因子低相关、相对冷门的财务指标去构建因子，以及在文本、专利等另类数据上也有比较深入的研究和实盘的运用。2023年10月深度学习的量价模型投入实盘使用，进一步提升了整个模型体系的超额来源多样性。
正文
—————
公募指增及量化基金在积极拥抱前沿技术的同时，始终坚守基本面研究、注重风险敞口控制。今年以来在极端环境下，行业整体超额回撤可控，而且快速回升，3月底主要宽基指数增强类别今年以来平均累计超额基本回到了零上区间，二季度以来整体超额水平进一步提升。从超额收益角度来看，截止2024年6月30日，上半年中证2000指增基金平均超额收益最高(6.03%)，中证500、中证1000指增基金紧随其后，超额收益均在4%以上，中证500与中证1000指增基金的超额收益差距相比2022、2023年显著收窄。从超额稳定性角度来看，沪深300指增基金由于整体模型市值偏离有限且以今年表现相对较好的基本面因子为主，因而超额回撤幅度较小，超额收益曲线相对更加平稳。
总体来看，公募指增及量化基金整体投研实力在不断提升，在人工智能等尖端技术以及非结构化数据资源上的积极布局，充分拓展了量化分析框架的广度和深度，多元化互补的方式增强了策略的灵活性和稳健性，从而在市场中展现出一定的适应力。
本篇专题将继续延续之前《公募指增及量化基金经理精选》系列专题中对于公募量化基金经理的多角度刻画亮点，进一步聚焦华泰柏瑞基金笪篁、中欧基金曲径、中银基金姚进、博道基金杨梦、长信基金姚奕帆等5名投资框架体系各有特色、超额稳定性相对较强的基金经理(按照姓名拼音字母顺序，下同)。我们将综合这5名基金经理的量化体系特点、风险控制制度、投研团队现状以及产品绩效表现等多个维度进行深度研究，并结合历史持仓明细数据进行全面分析和特征刻画，以供投资者参考。
笪篁（华泰柏瑞量化智慧）
笪篁先生坚持以基本面研究为基础的全市场量化选股策略，十分重视因子的构造逻辑。通过和主观研究员密切沟通的方式，实现对不同行业基本面因子的精细化刻画，再结合风控技术，实现稳健的超额。这一点也在持仓组合中得到验证，持仓多偏好质量、成长等基本面优质的低估股票，并且策略侧重中长期投资(4-6个月)，同时淡化仓位择时和因子轮动，不论因子稳定性还是持仓稳定性上都较为突出，整体换手率水平较低。因子使用方面，以基本面因子为主，加权则采用线性模型和非线性模型结合。除去传统的低频基本面多因子模型外，华泰柏瑞量化团队自2021年开始将短周期模型应用于实盘，其特点是高换手，模型中1/3左右的因子由机器挖掘，因子加权则完全由机器学习来做，该策略目前仅在华泰柏瑞中证1000增强及华泰柏瑞量化绝对收益两只产品中应用。
风险收益特征：超额收益稳定持续，超额回撤控制良好
笪篁先生，华泰柏瑞量化投资团队核心成员，曾任中国金融期货交易所债券事业部助理经理。2016年6月加入华泰柏瑞基金，历任量化与海外投资部助理研究员、研究员、高级研究员，2020年5月起担任基金经理，现任华泰柏瑞量化智慧等基金基金经理。所管理的产品主要包括主动量化、指数增强和绝对收益策略品种，截至2024年二季报，共6只在管基金，合计管理规模6.84亿元。从绩效表现情况来看，截至2024年6月30日，代表产品华泰柏瑞量化智慧(2021年9月17日任职)任职以来超额收益11.91%，年化超额3.95%，超额回撤幅度为4.12%。今年以来量化策略经历了极致的市场行情，不过华泰柏瑞量化智慧仍展现了优异的超额获取能力，上半年实现超额收益6.93%。
模型框架特点：重视基本面因子构造逻辑，因子权重相对稳定
华泰柏瑞量化团队目前有两套模型框架，其中多数产品应用低频基本面多因子的主模型框架，除此之外，团队从2018年开始开发了短期模型框架，并于2021年开始实盘，短期模型以技术面因子为主，持仓周期较短，换手较高，不过现在仅应用在华泰柏瑞中证1000指数增强及华泰柏瑞量化收益两只产品中，下文以低频基本面策略介绍为主。
低频基本面多因子模型自2013年开始实盘运作，经过不断更新迭代，目前因子数量已有200余个，主要包含成长因子、价值因子等基本面因子、量价因子以及另类因子等。基本面因子在传统处理方式的基础上，增加了很多相对新颖的数据，在关注三大报表的同时，加入文本信息的梳理以及财务附注里细分且有信息量的数据。而且，与主观研究团队交流密切，通过借鉴主观研究观点或研究框架来对模型进行改善，特别是细分行业选股，会借鉴研究员对行业投资逻辑的看法、重点观察指标以及数据使用情况等，构建分行业的基本面因子或者投资逻辑。量价因子方面，在中长期模型中，量价因子均为人工构建。另类数据方面，团队采购了一套落地本地的文本处理系统，可以将分析师研报、舆情、新闻、招聘、供应链、图谱类、社交媒体关于股票或者上市公司的评价信息等做为底层数据，在此基础上挖掘因子做一些特定指标。此类因子尽管不一定能贡献很高的阿尔法，但由于与传统因子的相关性较低，因此边际增益比较明显。
因子加权方面，中长期模型采用机器学习配权与主观判断相结合的方式。首先对因子做聚类分层结合，将投资逻辑接近、历史上相关性高的因子分到不同的组，不同组别之间权重配比基于市场环境做判断，结合机器学习模型的结果做配权，只要大类因子没有逻辑问题，都会在模型中给予一定的权重。由于中长期模型调整频率不高，因此更倾向于偏基本面类的因子。在实盘应用层面，不同指增产品均以基本面因子为主，但在量价因子的比例层面则略有差异，其中沪深300指增产品中量价因子占比10%左右，中证1000指增产品中量价因子占比20%-30%之间，中证500指增处于两者之间。
代表产品运作特征：严控风险暴露，低换手中长期投资
风险模型和组合优化：以Barra体系为主，增加了行业分类以及主题事件指标等自有风险因子，构建了加强版的风险模型，风险因子会控单方向，取决于投资逻辑。行业偏离方面，传统的中证500指数增强策略控制在3%以内，沪深300指数增强策略控制在2%以内。从运行结果来看，华泰柏瑞量化智慧对于行业和成分股偏离的确进行了严格的控制，管理期间报告期平均行业偏离度为0.70%，平均成分股偏离度为0.15%，很好地控制了相对于中证500指数的偏离。
换手率水平及变化：未剔除申赎影响估算，管理期间华泰柏瑞量化智慧平均半年单边换手率为1.04倍，整体换手率水平远低于对应指增基金平均水平，这与笪篁先生秉持的长期投资的思想相契合，也符合基本面量化模型的低换手特征。
因子暴露及贡献：从管理期间报告期来看，华泰柏瑞量化智慧在规模因子上呈现一定的负向暴露，在价值因子、质量因子、成长因子、波动因子、流动性因子、动量因子上有持续的正向暴露，即投资组合倾向于兼具基本面优势和估值优势，且相对中证500成分股市值偏小的标的，这对其精细刻画基本面因子、长期投资优质个股的投资理念进行了印证。近年来，在价值因子和波动因子上的正暴露带来了较明显的正回报。
量化团队及产品线特点：团队规模较大，扁平化效率高
华泰柏瑞量化与海外投资团队共15 人，与被动指数基金团队相对独立，其中研究团队7人，投资团队8人，投资团队主要负责组合管理相关工作，研究团队则专职进行研究工作。整体团队的合作比较扁平，以项目为出发点和落脚点来组织人员。
华泰柏瑞基金量化产品线主要包括四条产品线：被动指数、指数增强、主动量化和对冲产品。指增类产品主要覆盖范围包括上证50、沪深300、中证 500、中证1000、创业板指和科创板等主流宽基指数。主动量化产品则以最大化Alpha收益为原则设计，产品包括华泰柏瑞量化阿尔法(对A股)、华泰柏瑞港股通量化(对港股)。对冲策略的公募产品有华泰柏瑞量化绝对收益(短期模型框架)和华泰柏瑞量化对冲稳健，对冲产品不进行仓位择时，但会涵盖小规模的基差套利策略。
曲径（中欧沪深300指数增强）
基金经理曲径深耕基本面量化领域，充分利用公司内部行业研究员对行业的深刻理解，基于行业基本面投资逻辑构建选股模型。量化策略遵循标准的量化投资流程，在标准的多因子框架下持续扩充低相关性的阿尔法来源，去年到现在不断扩充多元数据，在借鉴内部主观基金经理的投资逻辑重新打磨基本面因子同时，也积极引入外部投研人员及数据专家，补充深度学习挖掘的量价因子、另类因子等。因子组合层面，并未应用非线性手段或深度学习模型，深度学习仅用在量价因子的构建层面。
风险收益特征：严控风险暴露，追求稳定超额
曲径女士，历任千禧年基金量化基金经理，中信证券另类投资业务线高级副总裁。2015年4月加入中欧基金，在基本面量化投资领域深耕超过15年，现任中欧基金量化策略组投资总监。截至2024年二季报，共7只在管基金，合计管理规模28.46亿元。从绩效表现情况来看，截至2024年6月30日，团队旗下代表产品中欧沪深300指数增强(基金经理为钱亚婷，中欧量化团队整体沿用同样的策略框架，因此选取该产品进行风险收益特征分析)自2022年3月末成立以来超额收益-1.05%，不过今年以来超额表现有明显好转。超额回撤方面，2023年、今年以来、近一年超额回撤分别为3.14%、2.44%、2.44%，回撤控制能力也有一定提升。
模型框架特点：深耕基本面量化，主观研究赋能超额表现
中欧基金量化团队深耕基本面量化领域，充分利用公司内部行业研究员对行业的深刻理解，基于行业基本面投资逻辑，分别对行业进行建模并搭建组合策略，早在2022-2023年这一阶段，就已经对内部划分的40多个一级行业建立了选股模型。今年开始，量化投资部发生了较大的变化，原权益团队成长组投资总监王健加入了量化投资部，牵头负责基本面量化组，在此基础上，也从外部引进了数据科学家、量化模型专家以及交易专家等。
量化策略遵循标准的量化投资流程，包含数据挖掘、因子组合构建、投资组合构建、盘前盘后风险分析等。在整个投资流程中有几个比较明显的亮点，首先是多元数据，量化团队从去年到现在不断扩充多元数据，增加了丰富的私有数据以及非结构化数据，包括文本数据和第三方采购的另类数据等。另一方面是整个数据体系的工程化：例如在主观基金经理的指导下，重新打磨基本面因子，对会计报表科目进行更加精细的调整;外部引入的PM补充深度学习挖掘的量价因子、另类因子。整体来看，策略体系是在标准的多因子框架下持续扩充低相关性的阿尔法来源。在此基础上，量化策略组也反向赋能基本面量化组，打磨了一支以主观为主，量化为辅的沪深300主观增强产品。目前在标准的沪深300指增策略产品中，量化策略仓位占比80%左右，另外15%仓位则为主观增强策略。
因子储备方面，具体到沪深300指数增强策略层面，因子构成分为三大类、六小类因子，三大类因子包括基本面、量价和另类数据。从因子权重来看，策略迭代前，另类数据在模型中的占比达到60%，相应的选股和行业alpha对收益起到主要贡献，在策略版本迭代之后，另类数据的使用占比下降到30%-40%之间，不过仍然维持组合当中的主要权重。其他因子层面，迭代后的量价因子和基本面因子占比有所提升，今年以来沪深300指数增强策略中的量价因子占比达到20%左右。因子组合层面，并未应用非线性手段或深度学习模型，深度学习仅用在量价因子的构建层面。
代表产品运作特征：主观结合量化，侧重成分内选股
风险模型和组合优化：沿用Barra风控体系，风险因子暴露控制在0.3个标准差以内。行业偏离方面，沪深300指数增强策略控制在2%以内。从运行结果来看，中欧沪深300指数增强的行业和成分股偏离控制较为严格，管理期间报告期平均行业偏离度为0.92%，平均成分股偏离度为0.43%。
换手率水平及变化：未剔除申赎影响估算，管理期间中欧沪深300指数增强平均半年单边换手率为2.84倍，整体换手率水平略高于沪深300指增平均水平。而且，2023年以来换手水平整体有所提升，这或与产品策略逐步迭代，机器学习挖掘的量价类因子占比有所提升。
因子暴露及贡献：从管理期间报告期来看，中欧沪深300指数增强在规模因子、Beta因子上呈现明显的负向暴露，在价值因子上由前期的负向暴露转为正向暴露，在波动因子、流动性因子和动量因子上则由前期的正向暴露转为负向暴露，从2023年年报来看，投资组合倾向于具备估值优势，且相对沪深300成分股市值偏小的标的。
量化团队及产品线特点：兼顾主观及量化，积极引进各领域人才
中欧基金量化团队共11人，原权益团队成长组投资总监王健加入了量化投资部，牵头负责基本面量化组，与投研总监曲径同为量化投资部联席总监，在此基础上，也从外部引进了数据科学家、量化模型专家以及交易专家等，目前团队分为量化策略组、基本面量化组和平台组。核心团队成员均具备丰富的策略管理和实盘投资经验，并且主观基金经理的加入帮助量化团队精细打磨了原有的基本面因子，深度赋能量化策略。量化投资团队共计管理16只公募产品，包括指数增强以及主动量化产品。具体来看，指数增强产品覆盖沪深300、中证500、中证1000、国证2000等主流宽基指数;主动量化产品包含如中欧国企红利等主题型产品。
姚进（中银中证1000指数增强）
在管产品主要采用机器学习和传统多因子模型等多策略叠加的方式运作，通过不同类型策略的相互补充，以期达到降低组合超额波动性的目标。整个团队所管理的指增及量化基金产品底层的数据因子、子策略、框架均一致，只是不同的产品由于各自选股域的不同，采用的子策略或者子策略的权重会有一些区别。风险模型由团队自己构建，满足灵活性和个性化需要，每类策略均需要满足行业、成分股、风格因子的敞口控制要求，整体风控较严格。从实际运作结果来看，多策略叠加严控敞口暴露的方式，的确实现了在有限回撤下获取相对丰厚超额回报的可能。
风险收益特征：超额收益丰厚，回撤幅度有限
姚进先生，2015年加入中银基金，曾任研究员、基金经理助理、专户投资经理。2023年12月至今，任中银中证1000指数增强、中银中证500指数增强基金经理。从绩效表现情况来看，截止2024年6月30日，代表产品中银中证1000指数增强任职以来实现超额回报16.77%，今年年初面对短期剧烈的市场波动，一方面由于建仓期低仓位运作，另一方面模型的确表现出了较强的超额稳定性，所以，今年依旧实现了不错的超额回报。超额回撤方面，中银中证1000指数增强任职以来超额回撤2.25%。整体来看，呈现有限回撤下，超额持续累积的特点。
模型框架特点：多策略构建组合，策略间互补性强
采用多策略叠加的方式运作，多策略框架体系主要包含机器学习和传统多因子模型，同时辅以其他卫星子策略的组合，目的是降低组合超额的波动性。其中，机器学习策略量价因子的权重较高，依靠模型去挖掘超额收益跟因子背后的非线性关系，在过去两年的市场环境下，该策略整体表现较好。团队希望能够对因子贡献以及模型逻辑层面有所把控，因此，更倾向于使用相对透明的机器学习模型，对于黑箱程度较高的端到端的模型也有研究储备，但实盘应用则相对偏谨慎。传统多因子模型中，基本面因子和量价因子兼具，大类因子种类与常规体系接近，但在具体因子的加工环节上会更注重细节。卫星子策略主要是起到提高投资组合弹性的作用，并且由于和与机器学习、传统多因子保持较低的相关性，能够起到相互补充的效果。
在策略的权重设置方面，会根据各个策略历史绩效表现综合决定子策略的比例中枢，同时会对每个子策略初步设定一个比例上限，防止过度暴露在单一策略上，整体策略权重分布会做季度和半年度的回顾，但基本上保持稳定。因子库包含500多个因子，均为人工开发，在构建因子的过程中比较看重投资逻辑的驱动，希望能够保证超额收益的可持续性。整个团队所管理的指增及量化基金产品底层的数据因子、子策略、框架均一致，只是不同的产品由于各自选股域的不同，采用的子策略或者子策略的权重会有一些区别。
代表产品运作特征：自建风险模型增强灵活性，严控风险敞口暴露
风险模型和组合优化：风险模型最早参考Barra体系由团队自己构建，多年来根据自身的需求以及实际中遇到的问题不断进行修改和迭代，来添加一些约束条件或者个性化的功能，保证了较高的应用灵活性。具体在产品应用层面，基本上每个子策略的风格因子和行业偏离都会严控，只是具体参数根据不同的策略特点会有一点细微差别。由于每类子策略均需要满足行业、成分股、风格因子的敞口控制要求，所以最终的组合在风控层面也呈现整体偏严的特点。
换手率水平大致介于双周频与月频之间。由于产品成立时间较短，尚无半年报/年报全部持仓数据，因此，对于因子暴露特点及因子贡献特点暂不进行分析。
量化产品线特点：团队经验丰富，产品线布局完善
中银基金量化团队在量化领域有10年以上的研究储备和积累，投研一体化形式运作，研究工作整个团队都会参与，而且，每名成员都可以参与从基础数据到因子构建，再到策略、组合的全流程研究，只是在分工上略有侧重。研究员更多承担从数据到因子的研究工作，基金经理更多的重心在策略开发和组合构建方面。研究的方法论上也会有一些侧重，有侧重基本面传统多因子方向的人员，也有侧重机器学习方向的人员。产品线方面，既有对标MSCI A50、中证100、沪深300、中证500和中证1000的宽基指增品种，也有对标中证红利的中银新财富等特色指增产品，产品线布局相对完善。
杨梦（博道沪深300指数增强、博道远航）
博道基金量化团队十分强调模型体系的均衡，旗下指增及量化基金大多采用传统多因子模型与AI全流程框架均衡搭配的方式运作，模型内部描述基本面趋势的偏动量类的因子与描述股票均值回归规律的偏反转类的因子均衡配权，以期通过均衡化的方式，增强整体体系获取超额的稳定性。在经历了今年春节前市场的大幅波动之后，于2月底进一步收紧了风控参数，并将模型进行了一次全面迭代，目前各个风格因子的暴露均控制在0.3倍标准差以内，追求更纯粹的阿尔法。在实际运作中，产品整体超额收益优秀且回撤可控。
风险收益特征：超额优秀，回撤可控
杨梦女士，2014年7月加入上海博道投资管理有限公司，2017年8月加入博道基金，现任量化投资总监兼量化投资部总经理。所管理的产品主要包括宽基指数增强和主动量化品种，其中，主动量化既有对标偏股混基金指数(885001)的主动量化基金，也有偏赛道增强类基金品种。截至2024年二季报，共9只在管基金合计管理规模92.24亿元。
从绩效表现情况来看，截至2024年6月30日，代表产品博道沪深300指数增强成立以来相对沪深300指数累计实现39.78%的超额回报，博道远航自2021年6月起，策略转型为对标偏股混合型基金指数的增强策略，策略转型以来，相对偏股混合型基金指数累计实现15.84%的超额回报，整体呈现良好的超额获取能力。与此同时，产品超额回撤幅度也相对有限，特别是今年年初在小市值标的大幅调整的环境中，博道沪深300指数增强2024年上半年超额回撤4.7%，博道远航整体定位为底仓型品种，因此也十分注重波动的控制，2024年上半年超额回撤仅2.93%。
模型框架特点：传统多因子+AI全流程，均衡体系贯穿
整体模型体系强调均衡，第一个均衡体现为因子配权的均衡，在模型中描述基本面趋势的偏动量类的因子与描述股票均值回归规律的偏反转类的因子权重各占一半，大类因子权重相对静态化，与此同时，大类因子内部的细分因子权重则完全交由算法动态调整。第二个均衡体现为方法论的均衡，传统多因子模型与AI模型均衡搭配。在AI的使用上，除了通过机器学习挖掘量价因子以外，2023年上半年在整体模型体系里加入了AI全流程框架，即通过神经网络的算法去处理所有信息，包括量价数据、基本面数据、另类数据等等。传统多因子模型与AI全流程体系从本质上来讲没有太大区别，只是传统框架的模型层面相对简单，为了能够在比较简单的模型中，对收益率的预测达到一定的解释力度，因子的质量和可解释性就尤其重要。AI全流程框架，因为模型有很强的解构信息能力，所以对因子的要求就可以适度放松，可以把很多原始的特征直接给到AI模型，通过中间庞大的网络达到最后模型的解释度。AI与人脑提取信息方式的差异，使得两种方法论有各自适应的场景，从而可以构成很好的补充。
目前因子库中主要是基本面因子，量价因子则是采用AI合成的一个算法量价因子。因子均为人工挖掘或人工把控的，即便是通过机器学习挖掘的因子也要进行人工分析和拓展。在基本面因子挖掘方面，基金经理十分注重细节的刻画，如三大报表之间的勾稽关系等。因子有明确的入库标准，需要通过绩效、区分度、转化效率、相关性等标准才可以入库。
另外，博道远航对标偏股混基金指数进行增强操作，需要每天模拟全部基金前十大重仓股持仓。主要根据历史持仓和行业分布情况结合净值表现，模拟加减仓、加减行业的动作。通过技术手段降低模拟持仓滞后性的问题，在此基础上嫁接上述策略体系挖掘超额。
代表产品运作特征：收紧风格因子暴露，追求更纯粹超额
风险模型和组合优化：风险模型主要在Barra模型体系的基础上，补充、修正一些对A股适配度更高的风险因子。对于市值因子的暴露方面，今年春节市场大幅波动之前，基本控制在0.3-0.8个标准差，同时，不同产品之间由于产品定位的差异，因子暴露也会有所区别，比如智航系列更追求超额收益弹性，市值因子暴露相对宽松，远航追求稳健超额，市值因子暴露基本控制在0.3倍标准差，更加严格。2月底以来，经过新的压力测试之后，整个指增量化产品线风格因子暴露均调整为了0.3倍标准差。从运行结果来看，博道沪深300指数增强管理期间报告期平均行业偏离度为0.86%，平均成分股偏离度为0.43%，很好地控制了相对于标的指数的偏离。
换手率水平及变化：未剔除申赎影响估算，博道沪深300指数增强管理期间平均半年单边换手率为4.15倍，各报告期换手率水平均高于公募沪深300指增平均，或与量价因子的使用比例相对较高有一定关系。
因子暴露及贡献：近年来，博道沪深300指数增强在成长因子、流动性因子、动量因子上均呈现持续的正向暴露,价值因子也有前期的负暴露转向了正暴露,与此同时， 在规模因子、Beta因子上则呈现持续的负向暴露，整体投资组合相对于沪深300指数更加倾向于优选基本面良好、低估值、低弹性、前期有一定涨幅的标的，相对于沪深300指数而言更加偏中小市值风格，不过基于前文所述，今年2月起各项风格因子的暴露均控制在0.3倍标准差以内。2023年年报显示，在Beta因子的负暴露带来了一定的正向超额回报。
量化团队及产品线特点：团队稳定性强，产品线覆盖全面
博道基金量化团队共5人，其中，基金经理3人。5位成员在公司已共事多年，很多从毕业便加入团队，整体稳定性强。团队分工方面，杨梦女士为团队负责人，在基本面研究、机器学习、量化宏观等方向均配备有特定人员。
目前量化团队管理的公募量化产品主要涵盖宽基指数增强型和量化选股型品种，产品设计精细、布局全面。具体来看，宽基指数增强型产品覆盖沪深300、中证500、中证1000等主流宽基指数，既有标准指增，也有叁佰智航、伍佰智航等不受成分股约束的非标准指增产品。量化选股型产品也是博道基金的特色之一，其中，博道远航、博道久航均对应偏股混基金指数(885001)，前者采用对标指数的增强策略，后者则是将主动权益基金经理划分为六大风格，对于每一类经典主动选股策略均用量化的方式进行表达，以期复现并战胜这类基金经理的业绩。与此同时，消费智航、成长智航、红利智航等赛道增强型品种，分别对应泛消费(食品饮料、医药等)、泛成长(高端制造、TMT、新能源)、高分红领域，布局定位兼具排他性和完备性的特点。
姚奕帆（长信量化价值驱动）
长信量化团队注重因子的深入研究和细致化处理，因子储备充足且非常重视对因子细节的打磨。对于新的数据、新的技术也能够充分应用，为了应对传统基本面因子有效性下降的问题，团队选择寻找与传统因子低相关、相对冷门的财务指标去构建因子，以及在文本、专利等另类数据上也有比较深入的研究和实盘的运用。2023年10月深度学习的量价模型投入实盘使用，进一步提升了整个模型体系的超额来源多样性。在实际运作中，长信量化价值驱动表现出了很好的超额稳定性，从因子暴露呈现出的持仓特征也已经可以初步看到神经网络模型的使用痕迹。
风险收益特征：有效实现回撤控制，超额稳健累积
姚奕帆先生，2015年7月加入长信基金，历任量化研究员、量化专户投资经理、基金经理助理，2022年1月起任基金经理。截至2024年二季报，共5只在管基金，合计管理规模17.72亿元。从绩效表现情况来看，截至2024年6月30日，代表产品长信量化价值驱动采用沪深300指数增强策略，自2022年1月任职以来、2023年全年、今年以来相对沪深300指数分别实现超额17.83%、8.40%、3.09%。超额回撤方面，任职以来超额回撤8.11%，今年以来超额仅回撤3.83%，幅度有限。整体来看，长信量化价值驱动在基金经理任职期间取得了不错的超额回报且中长期超额表现十分稳健。
模型框架特点：基本面与量价模型结合，精细化因子+AI赋能
因子积累储备丰富，基本面因子方面，在对估值、成长、盈利、质量、分析师等传统基本面因子做了比较深入挖掘的基础上，为了应对市场不断迭代学习下传统基本面因子有效性下滑、因子波动增加的问题，长信量化团队除了对使用的因子加强细节打磨以外，也选择了更多地与主动逻辑进行结合，寻找与传统因子低相关、相对冷门的科目去构建因子，与此同时，在文本、专利等另类数据上也有比较深入的研究和实盘的运用。
在行业主题量化产品中，还会通过产业链数据对于行业内部的中观景气度进行刻画，而且，每个研究员也都会有行业覆盖，是公募量化团队里少数的具备一定主动研究能力的量化团队。量价因子方面，深度学习量价模型对于日内逐笔tick数据、分钟线、日线、周线、月线等全频段的交易数据均有使用。因子库包含大约100多个因子(不含机器学习挖掘的因子)，因子的纳入遵循定量加定性的入库流程，主要从经济逻辑特质性、回测绩效表现等方面对因子进行评价和分档。总体长信量化团队在数据的丰富程度、因子的精细化程度上优势明显。
长信量化价值驱动中，基本面模型占6成权重，量价模型占4成权重，整个模型框架偏向于静态，但底层模型会进行定期训练。其中，基本面模型采用多模型的集成架构，包括线性模型、非线性模型，通过不同的因子、特征预测不同周期、不同类型的股票收益，从而实现低相关的预测结果，然后再把这些低相关的模型输出结果进行集成，提升模型的综合绩效。量价模型包括人工传统量价和机器学习量价，主要是神经网络模型，神经网络模型在整个模型中占比权重在30%左右。除了这两块最主要的阿尔法来源之外，还会阶段性根据市场环境搭配一些其它的小策略，如行业轮动策略指导行业的超低配，超预期、券商金股等另类策略，但这部分使用比例比较低，对阿尔法的贡献也比较有限。
代表产品运作特征：类沪深300增强策略，机器学习使用痕迹出现
风险模型和组合优化：风险模型方面由于有相对比较定制化的需求，因而目前主要使用的是自己开发的模型，在行业暴露和风格暴露进行相对严控。长信量化价值驱动的行业敞口基本会控制在2%以内，风格因子暴露控制在0.2倍标准差以内。从运行结果来看，该基金任职以来报告期平均行业偏离度1.16%，尽管是一只可以全市场选股的主动量化品种，但是在沪深300指数成分股内持股比例始终保持在70%以上，2023年年报，成分股内配置比例为80.12%，基本完全按照沪深300指数增强策略运作。
换手率水平及变化：未剔除申赎影响估算，2022年任职以来长信量化价值驱动平均半年单边换手率为3.88倍，高于沪深300指增平均水平，2022年下半年以来换手率水平始终保持稳定。
因子暴露及贡献：近年来，长信量化价值驱动在价值因子、成长因子上呈现相对持续的正向暴露，在规模因子、Beta因子上持续负向暴露。2023年年报开始，质量因子、波动因子、流动性因子、动量因子由前期的正向暴露转为了负向暴露，即投资组合在2023年末倾向于基本面良好、低估值、低波动、前期涨幅相对较小的标的，呈现一定的反转策略特点，质量因子由前期正向暴露转为负向暴露，也在一定程度上反映出模型追逐因子动量的特征，在一定程度上与神经网络模型的使用有关。2023年年报，在Beta因子上的负暴露以及在价值因子上的正暴露均带来了一定幅度的正回报。
量化团队及产品线特点：团队稳定、梯度合理，产品线布局较为完善
长信基金量化团队目前共13人，整体分为两条业务线，一个是公募股票量化，另一个是2017年成立的CTA团队，主要做绝对收益在专户落地的策略，包括商品期货、股指期货、期权等偏交易类型的策略。公募股票量化团队包含3名基金经理和6名研究员，基金经理在长信基金工作时间均在7年以上，研究员包括老中青三个梯队，拥有七、八年经验的研究员主要负责核心模型、策略的开发，中生代研究员主要负责一些重要的项目以及偏高频因子，刚入职一、两年的新研究员主要做因子挖掘的工作。自2022年起，团队开发了一套共用的底层投研框架，因子的计算程序、模型的代码框架、数据库、代码仓库都进行了重构。现在已经实现所有成员在统一的基础上做二次开发，所有产品在统一的框架之上做策略的管理，充分的提高了转化效率和整体策略的迭代效率。
产品线的布局方面主要涉及两个方向，一是宽基赛道，包括指数增强和主动量化产品，涉及沪深300、中证500、中证1000、双创50等指增类产品。二是行业主题赛道，长信基金2016年开始布局包括TMT、新能源、消费、医药、军工等行业量化选股型品种，团队内每个研究员都需要进行行业覆盖，包括跟踪行业景气度、重点持仓股票的业绩情况，以及与行业分析师交流借鉴选股逻辑，构建细分行业里有效的选股因子或者模型。另外，也会与卖方分析师沟通获取季末比较领先的盈利预测数据来丰富模型。整体产品布局完善、特点鲜明