稳博投资郑耀：震荡市场下中证1000指增的投资机会在哪里

（原标题：稳博投资郑耀：震荡市场下中证1000指增的投资机会在哪里）

$稳博1000指数增强1号B(P001223)$    $稳博厚雪长坡量化中性1-3号(P000988)$ $稳博中睿6号(P000995)$ 

本期直播我们邀请到了明星私募基金管理人稳博投资的创始人郑耀先生，和大家一起分享“震荡市场下中证1000指数的投资机会在哪里”

稳博投资属于本土实战派系，是国内市场成长起来的以期货高频起家的顶尖高频团队。稳博的α收益除了传统的α选股，在股票T0、择时模型以及打新方面都给收益带来了稳定的增强补充，目前在这个方向上依旧保持着很强的市场竞争力。当前，稳博投资补充了中低频的α团队——来源于千禧年以及国内知名量化机构。策略模型迭代高效，目前投研团队超60人，相当于百亿量化机构的配置水平。交易系统自主研发、算法交易领先，与α形成有效共振，能节省较多交易成本。对于大家而言，量化交易一直是黑盒子的存在，很少有直接面谈创始人、基金经理的机会。今天感谢郑耀总来到直播间，郑耀总算是基金经理里讲的非常通俗易懂的，希望大家能感受不一样的风格。下面把时间交给郑耀总。

郑耀：我是上海稳博投资的创始合伙人郑耀，感谢大家百忙之中抽出时间听我们的分享，今天分享的话题有几块：

一、公司情况及未来发展预期。

二、投资策略和市场环境。

三、稳博的1000指增产品。

                                   一、从10万到90亿，稳博是如何一步步发展壮大的

稳博是2014年成立，2014-2018年重点做高频交易方向，2017年底AlphaGo诞生，给市场上大部分做资管的团队很大鼓舞，大家觉得机器学习的方法论已经在很多场景下显著超过了人类，到2018年我们在整体投资策略中引入了非常多机器学习的环节，招的也是来自于类似AlphaGo的人工智能围棋团队，也是世界顶尖的团队之一。

2018年我们引入了人工智能团队之后，在高频交易方向上走得更远了。外资进场的背景也是2018年，国际顶尖外资进入中国市场，国内高频竞争压力非常大，有很多同行就转战数字货币等其它市场， 而我们依旧在高频领域上通过方法论迭代进一步提升市占率，整体投资能力和投研水平也在这段时间也进一步飞跃。

我们的投研团队从2014-2019年，从2人创始人一直发展到25人。这是我们的核心投研团队。

策略迭代，2019年我们在国内高频领域已经做到了非常顶尖的水平，当时我们判断市场在证券方向上有更多机会，我们引入了α团队。最初的团队成员都是从海外大型基金公司挖掘过来的优秀人才，2020年6月我们组建了市场团队，这时我们的投研已经到了35人，整个公司50多人。

我们开始做资管动作是因为2020年6月份之前我们基本都是管自有资金，2014年时我们的自有资金10万，到2020年时已经有数千倍的增长，2020年时我们发现自从做股票以来，策略容量远远大于自有资金的规模，在这个情况下我们启动了资管流程，到2021年底时我们的资管规模在80亿左右，今天在90亿左右，今年以来的资管规模增长主要来自于我们的业绩收益，在募集上今年还是非常保守的，2021年底我们的1000增强条线募集基本都暂停了，到今年5、6月份我们觉得指数点位非常好，又开始重新启动，今年主要规模增长基本都是来自于业绩收益。

整个团队日趋成熟，目前投研团队人数从去年到今年增长幅度不是特别大，大概增加了5位，但招聘方向基本都是来自于资深研究员。校招开启可能在今年9月，非资深研究员、应届生目前还没有新增。

管理团队是我和殷总一起创立的，钱总是我们的总经理，主要帮助我们管理市场运营、人力等部门。我和殷总依旧关注市场投研的方向，依旧在投研一线，包括每次策略研发、代码编写等。大家也知道，对于量化公司，投研部门算核心竞争部门之一，所以我们也做了比较丰富的人才储备，从投研部门来看，现在投研人数在50人，加上IT人数70多，相比同等规模的量化公司，在投研人数上绝对是前一两名。

在投研人数的基础上我们的投研配置要求也是非常高的，招聘应届生的标准类似清北专业的TOP10，其他TOP5院校的TOP1、2，或是像在全国奥林匹克竞赛中在数学、物理这些方向上获得金银牌的，这些是我们招聘的基础标准。

在成熟研究员方面主要包括全世界顶尖量化团队的资深研究员，同时也有国内的量化团队资深研究员招聘，我们的要求是和我们的策略有差异性，成熟的策略。

在人工智能的方向上我们从强化学习的背景上挖掘了比较多的人才，内部有机器学习的团队，整体来说我们的投研部门不论是从学历背景还是投研背景都比较丰富，有非常出色的投研人员。

IT团队主要来自于互联网、游戏公司的资深工程师，负责人原来是在摩根士丹利、光大证券从事系统开发的工作；运维团队来自于上海交大信息安全本硕，主要负责我们的IT系统搭建。

除了投研+IT部门，其他部门接近20人左右，总体人数在90人左右，是比较完善的团队。

公司荣誉：2020年我们做资管以来就获得了比较多的奖项，包括知名的金牛奖、英华奖等。合作机构比较多，银行、券商、三方都有一定的合作。

                             二、思想、投资 、技术——我们是如何做量化投资策略的？

量化投资在我们公司大概有7个环节，分别是：

1、想法诞生。做每个策略都有初始的Idea。

2、数据采集。根据想法的不同去采集数据。

3、因子形成。形成对市场的因子。

4、组合优化。五年前组合优化比较简单，都叫“多因子打分”机制，做一些线性打分加权，现在的组合优化主要是基于机器学习的方法论。

5、风险优化。防止我们在持仓分布上产生比较大的风险暴露。

6、交易执行。主要是大家对于量化最粗浅的理解，程序执行是交易执行中最基本的环节。

7、验证迭代。

Alpha大概分成这些角度，首先是思想的碰撞、投资的直觉和技术的关注，这三个方面是我们诞生Alpha想法的初始来源。

思想碰撞，比如我们有不同背景的研究员，可能他是来自于一些非常资深的交易背景，也可能是来自于金融工程背景，背景非常学术，大家讨论之后就会在当前市场或对于整个市场认知上有一些想法，会形成一些初始想法。

投资的直觉来自于我们每天对于交易不停的复盘、对于交易的重新理解，这个过程中会逐步形成对市场的理解。

技术的关注，举个例子，之前有比较著名的深度学习工具用于翻译领域，叫transformer，自发明以来它就被广泛应用在各种包括语音翻译、网页中英互译等任何两种语言的翻译，自从2018年出了深度学习的方法之后基本都迭代成了新的翻译方法，整体对语意的识别能力相比之前有极大的提高。

这件事情在我们的Alpha中是怎样被使用的？我们的Alpha中原来有一类是基于新闻的方式，原来新闻有一种方式“关键词搜索”，看里面有多少情绪乐观的词，有多少情绪悲观的词，首先文章有一篇打分，情绪是正向还是负向，会涉及哪些行业、板块甚至个股，就会形成对一只股票的Alpha因子。

自从有了transformer这个基于深度学习的工具之后，大家对于语意识别的能力显著提升，它的准确性、人去阅读文章识别语意的准确性几乎非常接近了，没有什么误差。从整体来说这些先进技术也是构成我们Alpha因子的重要来源。

我们的方法论迭代也经历了几个阶段，2014、2015年我们从零开始构建了一些交易方法，一开始做高频交易、统计套利的领域，后面叠加了深度学习方法，2020年又和海外的Alpha方法论（横截面方法）进行了融合，今年以来我们在整个投研方法也做了持续迭代，整体来说业绩越做越好。

有了想法之后我们会进行数据采集，数据采集种类比较多，包括公司公告、新闻舆情、逐笔数据、基本面，举个招聘程序的例子，很多公司在招聘过程中暗含了公司基本面信息，基于上市公司信息披露都需要在第一时间公开披露，但对于公司自己的基本面到底是更好还是更坏，其实它的管理和招聘数据上有一些先导性的体现，比如我们看到互联网公司财报之前就已经开启了裁员这样的行为，暗含了公司内部对于公司基本面的认知，觉得公司基本面可能不是很好，在招聘上竞争力也不是很强，如果它的招聘竞争力很强，这时对于公司基本面也是有一定利好的，这是Alpha的底层数据。

数据构建是从想法出来，有了想法之后我们到数据找，比如招聘的猎头数据，猎头也会卖这些数据，一些公司会出多少钱；还一些数据来自于招聘网站，直接去爬取在哪些岗位开出了多少薪资，同业竞争是不是有竞争力。对类似这些数据发掘之后我们会进行采集和清洗，最终要形成量化数字，形成数字之后就进行入库和跟踪，这是我们的数据处理环节。

有了数据处理就开始做因子了，因子是表述哪些股票更好、哪些股票更差的一种打分，比如它来源于基本面的好/差、价量上看好/不看好，都会形成打分，我们公司的因子提交目前要求因子逻辑性要比较强，而不只是在历史统计上有效，因子逻辑性强主要的好处是在样本外失效的概率会比较低，现在量化大家都挖掘到了比较深度的情况，我们的因子数量已经过万，在这样的情况下，每提交一个新的因子是非常难的，从逻辑的角度来说很多逻辑我们基本都做完了，有时候大家为了提交因子会采取数理统计的方法，比如用搜索方法寻找，这种方法在我们公司的认可度比较低，我们要求的最高标准是所有因子必须能把它的逻辑讲清楚，它为什么能够在市场上赚钱。这是因子的逻辑性。

从因子产生背景来看，投资逻辑占到了50%，数理统计这种基于统计的因子大概占三成，还有一些来自于研究报告，比如一些先进的研究方法得出的结论，市场上卖方、分析师提供的研究结论等，这些也会给我们的因子构建产生想法。

还有一些来自于机器学习或算法挖掘，但目前这块被我们压缩得非常少，起码在因子形成的环节中我们非常讲逻辑性。

因子构建的预测周期是3-10天，它也和我们的体量正相关，如果规模更大，更长周期的因子会受到更多关注。

从因子的种类来说，价量关系占比依旧最高，这也是所有量化的显著特点。

一致预期、新闻基本面等这些占比相对都比较低，但它依旧为我们收益的稳定性作出了重要贡献。

组合优化的环节，现在的方法论，市场上各家做法都比较相似，都是机器学习的方法做，前几年深度学习方向比较热，最近几年随着对量化研究的深入，有非常多的方法在量化中更适合，比如树模型等，在非常多场景下相比深度模型的效果会更好。我们对机器学习采用的是多周期、多方法的构建，同时还会做滚动训练的方法，每天都会把历史一段时间的数据拿出来做滚动型训练，防止我们的策略失效。

从整个评价角度，我们会看它在不同股票池的表现，包括中证1000、中证500、沪深300、全市场等，它需要在所有股票池内都表现足够好，我们才认为我们学到的东西是通用的、可靠的，这也是防止过度拟合的原因。

在风险优化的环节上，现在做了组合优化后我们会形成对所有股票的截面打分，每只股票都会打分，然后做一个排序。在最终投资过程中并不是我们去投排序最高的股票（如TOP100），这个环节是说，头部股票很可能会存在风格暴露非常大的情况，就会在特定的市场环境下产生比较多的回撤，组合优化就是用来解决怎样构建组合的问题。虽然现在对市场有横截面的打分，每只股票都有排名，但并不是只选若干只股票OK了，这种情况下风险优化的环节其实有两个方法论在同时使用，一个叫归纳法，一个叫演绎法。

归纳法的方法论是我们解决的目标是为了解决历史上曾经发生过的所有风险点；演绎法是为了解决历史上从来没有发生过的一些风险点。

大家说量化都是基于历史规律的总结，当历史规律失效时，量化也有一定的方法来解决，这就是演绎法，我们把一些逻辑性的内容引入到了风控环节中来。

演绎法也算是我们公司比较有特色的方法论，归纳法是量化中最常见使用的一个方法，先简单给大家介绍一下归纳法是怎么做的：

首先我们要有一个风险抽象，比如持有100只股票，到底风险有多大，比如我们的目标是为了做中证1000的指数增强，首先这100只股票和中证1000对比行业偏离度有多大，是不是在某些行业下了非常大的权重，这是一个风险因子，如果你在成长性股票上下了非常大的权重，这又是另一种风险，当市场逻辑从宏观放水变为收紧，成长性股票就会有一个下杀过程，它也是很大的风险，虽然看起来它的基本面比较好，但也可能会产生风险，这也是一类风险因子。

其它类型的风险因子就不一一赘述了，比如估值、动量、分析师、市值等等，这些都曾是历史上曾发生过的风险因子，这些风险因子的抽象可以对这100只股票进行表述，这100只股票相比对标指数来说，每个风险因子上的暴露最终形成了打分，会形成风险扣分的逻辑，最终我们的优化目标就是最大化收益减去风险扣分，再减去交易成本，这是我们最终的优化目标，然后它就转化成了数学上的统计有约数的最优化问题，这就比较好求解了，它本质上交给了一些数学上的工作。我们在这方面也做得比较擅长，因为量化的很多研究员的数理背景都非常强，来自于全国数学竞赛最顶尖的人选，他们解方程是非常专业的。

这里面有一些约束，比如单因子的边界约束，比如行业，我们一般来说是约束在1%的暴露程度；个股最大持仓偏离度，也就是单票最多拿多少权重，通常我们也会约束在1%的范围。个股最大换手规模和规模正相关，目前我们是按照目标规模50亿以上，比如中证1000的增强我们是按50亿以上的容量做策略约束，其实这有一定关系。

演绎法是比较新的方法论，相比归纳法它更关注市场和历史环境发生变化时量化策略应该怎么做。重大变化有两种，这里举了一些原因：

内因。超出容量，这也是一种非常常见的情况，比如募集太快了，短期策略一下子没有跟上，看起来策略就不太行。

外因。大体量资金投资偏好的转变，比如出现了宏观政策的引导、发生了一些事件，比如2020年底一些顶流基金经理拿到了非常多的资金。拿到资金之后要求他投资，他投资的方向又非常确定，或者说和之前的方向（重合），比如他们喜欢买“茅指数”的股票，这就和历史上的规律产生了很大变化，也会导致量化策略阶段性产生无效。

整体来说，当它和历史规律产生比较大变化时量化策略就会失效，我们的风控逻辑是持续关注大体量资金的投资偏好，是否有一些人拿了非常多的钱，他的投资偏好会导致我们亏钱；二是否存在我们自己募集超出容量的情况，所以我们目前对规模管控也是非常严格的。

这里面还做了非常多的因子拥挤度检测，比如我们发现我们的底层因子开始出现了失效，我们会快速剔除，并且现在我们也引入了滚动训练方法，我们的策略会更快和市场环境适应，更快在失效场景下扭转过来。

如果最后出现了风险，不论从回撤幅度和时间长度来说都是风险，如果出现风险我们会优先降低风险敞口，防范风险扩大，这是我们最终的处理方式。

从量化投资的投研来说大部分都是非常专业的投研，大家在市场中持续研究，长期出现持续回撤的概率是非常低的，因为专业投资人还是能长期持续跑赢市场。

最后是Alpha的执行环节，目前我们每笔大概能打赢2-3个bp，这个单位很小，也就是说每笔交易大概能在市场上打赢万分之二或万分之三，以100倍的换手率，一年在交易执行环节我们大概也就能获得2%-3%的额外增强，就像高频交易一样，它其实是在市场中捕捉一些非常微观的机会，但统计下来还是有一定效果的。

另外我们在整个Alpha执行的环节中会涉及到交易执行的风控，从事前、事中、事后这三个角度来看，就会形成我们对于整个交易链路的管控，整个交易链路，特别是在事中时我们会以钉钉、微信、网页、邮件等各种系统做自动报警，同时也有交易员持续关注交易情况。

整个交易执行是得益于我们公司多年的高频积累，交易数据、路由、不同数据之间的传输、低延时路由等都是我们在交易过程中搭建的环境，目前我们还是支持一些比较先进的算法交易，能够在市场的交易细节上做得比较精细。

Alpha的验证和迭代，大概每2-3个月我们会出一个新的组合方法，相当于一个新策略，迭代过程中我们每周对所有已有策略进行周度打分，决定我们是否要进行调仓，调仓幅度可能会在5-10%，我们迭代是非常渐进的，其实Alpha上的投研策略非常谨慎，是反复推演、反复验证、渐进迭代的过程。

下面给大家简单介绍一下T0，T0需要讲的比较少，之前说的Alpha有非常多的环节，T0也有非常多环节，但交易很简单，主要是集中于对手盘的分析，从博弈论的角度上能获得哪些收益，这是T0最初始的idea，所以它基本上只关心交易所的价量数据。

在T0上我们的价量占比在95%以上，还有一些特殊事件贡献5%的收益，包括对新闻的实时搜索，是不是有一些公司爆雷了，出现巨大负面，这时我们会主动卖出，延时通常在1分钟以内，还是比较快的。

整个T0策略的主体因子收益在10分钟-30分钟兑现，当然也有当天收盘或240分钟的，240分钟准确地说已经是T+1了，到当天收盘也是有的，主体是10分钟-30分钟，大部分投资逻辑都是机器学习做出来的，因为T0这个方向上数据量足够庞大，足以支撑机器学习的方法论。

这是我们中性产品T0拆分出来的收益，整体来说我们在T0上每周大概能打出10个bp，也算是一个正常表现。在Alpha上一周只能打出6-8个bp。

整体来说，T0回撤非常小，这里面最大的一次T0回撤，周度只回撤了十几个bp，也就是没有打赢交易成本，在大部分场景下是偏正的，但正的不多，十几个bp就是千分之一点几，一周只有很少的概率会出现非常小幅度的回撤。

T0执行和Alpha执行完全一样，我们公司在T0目前采用的是多策略PK制，其实也是多PM的PK制，Alpha是大团队做协同研发，有人做因子、有人做组合、有人做风险控制模型，但在T0方向上我们目前的投研是，每一个PM、每个小组最终对最后结果，我们大概有5个T0小组，每组3-4人，整体完全是量化做法，他们之间的策略竞争会让我们在T0方向上迭代更快。因为T0是市场微观结构非常敏感的策略，也是同业竞争比较激烈的策略，我们在这样一个市场方向上，它的迭代和调整方向要非常快、非常灵活，所以我们采用了这样的机制在公司做T0策略增强。

                                      三、为什么我们主推1000指增产品？

给大家简单看一下我们的产品，这是我们1000的产品，有11个产品，整体一致性比较好；500列了4个产品，稳稳列了3个产品，这里主要介绍1000的产品线。

先介绍1000指增的好处，为什么我们要推1000而不是推500、300的指增呢？从行业分布来看，500里周期股的成分相比其它指数占比非常大，500是周期股非常强的指数，1000是在先进制造和科技上的分布最多，也有最强的专精特新属性，300更多是在金融地产上有显著分布，从指数的角度来说，现在不论是国际环境还是国内整体政策引导都在往先进制造的方向调整，包括国家的战略政策、包括定期和海外的竞争，科技上的芯片上的、新能源方向的，1000指数在这些属性上最强，也是更面向未来的方向。

从指数的成长性，一致预期的EPS来说，其实它都显著强于其它指数，同时在这个基础上，1000的估值也处于历史低位。

从整个指数的角度来说我们认为1000指数在未来有更多发展空间，特别是在当前宏观政策的市场环境下，发展空间会更大。

从Alpha的角度来看，1000指数的股票数量多，就一定带来机构化不显著的特点，大家可以这么理解，对于一个机构型的基金经理，他能够调研的公司数量是非常有限的，对于一个基金经理，他同时能够了解300家公司的基本面对他来说已经是非常极限的事情了，但中证1000的个股数量非常多，有1000只股票，很少有基金经理能够把这些股票都了解，当股票数量增加时，量化的方法论在处理大数据的市场环境下更加具有优势，它的优势相比中证500和沪深300更明显，因为量化方法论相比传统调研机构和投研机构，它的方法论在大数据上的优势就非常凸显了，大家也可以看到，从全市场来看，中证1000的超额也会比沪深300和中证500显著更高，它也和1000的整个属性有关，对于量化的方法论有利。

第二是整个赛道还比较宽松，相比中证500来说，中证1000和中证500是相当的，策略容量也是接近的，但1000整体来说全市场发行量比较少，成交额不是很拥挤。

另外随着1000的ETF和股指期货的发行，它会给整个赛道引入更多投资人，这些投资人不管是做中性产品、在股指期货上做空、在股票上做多，但股票上只能做多，对于指数来说也带来了一定的增强效应。

整体来说我们认为1000的Alpha和beta在未来一段时间都是我们持续看好的赛道。

说一下我们的1000指增产品：

我们的1000指增代表产品是1000增强1号，运作周期是从2020年5月开始运作，展示周期是到上个月底，正好是两年零两个月的时间，净值基本做到了接近2，同期指数增强大概在19%左右，按照累计超额来说整体来说我们的超额还是非常高的。（业绩由于合规忽略）

从整个投资体验来说，如果持有这两年，基本就做到了翻倍，同期指数并没有怎么涨。

我们的策略分成三大段：

1、以T0为主。这也是我们公司的特长点，在2020年底之前我们以T0为主。

2、以基本面Alpha+T0为主，在整个策略上基本面配置比较高。

3、今年以来以量价为核心，刚才我讲了我们的方法论，这是今年以来的表现。

大家仔细看超额的这根曲线，分成三段：

2020年-2022年，随着策略的迭代，我们的超额能力还在进一步提升，另一方面也是我们整体在管理规模上的节制，我们永远说投研优先于策略，或者优先于募集，要先把策略做到能承载更多量，能给大家拿出更好业绩，之后再做更多募集。

整体来说从整个策略上我们认为在未来的迭代依旧还有更多发力点，可以持续为大家做出更好的策略出来。这是当前最新版本的策略在历史上的表现，红线是当前版本实盘以来的表现，实线部分是最新策略在历史上的表现，同样可以看到，以最新策略来看，我们在历史上的表现相比于实际运作出来的要更好，因为我们的策略比以前更优了。

整个申购时点如果推导到2018年，到现在已经做到了4倍的水平，2018年到现在同期指数增长基本也在0左右。

从整体策略来看，我们的1000增强有几个大买点：

1、小市值。这块是未来比较多的方向，股票分散对于量化是非常有利的方向。

2、大成长。中证1000的成长性是目前宽基指数中相对比较高的，我们认为未来获取指数的beta收益有比较多的空间，同样，中证1000指数的机构化程度不是很高，也给了更多错误定价获取收益的机会。从ETF和衍生品发行来说，市场活跃度在这个方向上有非常显著的提升，未来我们相信这可能会是大家更加关注的一个方向。

从我们公司的角度来看，从策略角度，我们的Alpha策略经历了之前第一、第二、第三的大版本迭代，V3版本又经过了3.1、3.2、3.3的小版本迭代，我们的迭代越发成熟，从今天来说我们的底层因子种类非常丰富，在每一类因子上都有比较好的策略和表现，整体来说策略是非常成熟的。

二是我们的整个Alpha团队处于策略高产期，策略表现逐步提升，在这个情况下，我们相信在未来一段时间我们的投研策略依旧能给我们带来更多更优秀的策略，让我们产品的表现更好。

在时序和T0方面我们积累时间比较长，因为一开始是高频交易的背景，目前90亿的整体规模，在1000指增的赛道上大概30亿规模的情况，我们T0大概能做到3-4个点的年化增强，它依旧非常有性价比，是额外增量，这个增量随着规模每扩大一倍，折扣会打七折，策略衰减，目前我们的T0依旧还是非常有性价比的一个增量。

从管理上来说，我们在资管方面的投研人才、IT、数据方面都是先行投入，目前我们的投研+IT在70多人，配备双机房，在各大券商都有排布非常多的服务器资源，运算资源也非常丰富。

在数据方面，市面上所有数据的供应商我们都做了采集，另外还有大量自己做出来的数据，整体来说，我们在投研方面的投入相比同业非常领先。

二是创始人，我和殷总基本是在投研方向上，虽然我们知道很多公司的创始人在策略做的比较好之后更多精力放到了管理上。目前我们公司管理、运营、人力交给了钱总来做，我和殷总依旧在投研上做我们更擅长的方向，会给我们的投研带来更多经验和交流空间，我们在投研上的思想碰撞交流也会有更好的表现。

这是整体情况，最后是产品情况。

基金投资经理是殷总，殷总自己其实也投了很多钱，大家可以放心，我们永远和投资人站在一起。

我的分享主要是这些，看大家对我们的公司策略还有哪些想要进一步了解的可以提问。

球友互动Q&A

卢月辉：感谢郑总，拆解得非常细，在横截面、时序、组合优化、风险这些方面都讲得非常详细，基金经理现在也奋斗在一线，这对我们来说都是非常关键的点。大家能够看到，今年策略迭代后超额提升比较多，今年以来年化超额30%，还是非常厉害的。

各位球友如果有问题可以直接文字打在留言框里，郑总，我先就自己关心的几个问题请教一下您。

我们发现从去年9、10月份以后对于指增来说有一段环境特别难熬，去年9月份以后在相当长一段时间之内伴随着市场下跌，有不少指增管理人的Alpha有时也会表现为负，想请教一下，在什么样的市场环境下会产生负Alpha？

郑耀：这里面也涉及到这次策略方法迭代的重要原因，从这次的长时间回撤来说，本质上就已经算是策略失效了，去年年9月份到今年2月份，它的回撤长度是历史上量化从来没有见过的。

一般来说策略阶段性失效会有一些原因，这次是内因和外因共同作用，一方面，去年7、8、9这段时间很多量化公司募集了大量资金，去年也受到了非常大关注，整体资金体量对整个市场来说是超容量的，并不是某一家公司在这个市场环境有很大变化，大家测算容量时往往是基于自己的策略容量来测算，没有算到市场其它家公司在一些因子上下了非常多的权重，这时就带来了全市场的策略因子失效。

失效了哪些因子？可以给大家举些例子：比如一致预期因子，它会喜欢买长期增长的股票，去年长期增长的股票也集中在新能源、半导体板块，这些板块本来不应该有非常急速的上涨，因为长期向好的股票上涨幅度应该跟着它的业绩增长走，但它的上涨速度大幅超出了，这时就形成了因子拥挤现象，这个现象是因为同业在部分因子上下了太多权重，之前有更高超额，之后也有更多回撤，从现象角度来说是由于一定的超容量。

另一方面，从市场风格来说是一些价量因子在年底时的不适应，本质还是跟市场的申赎有关，今年年初出现了一些规模较大量化公司的显著赎回，在市场上形成了短期负向冲击，也会带来负反馈的市场短期失效，本质上来说是内外因共同的作用。

我们在策略迭代的过程中针对这样的市场环境也做了比较多的策略迭代，一是因子的丰富程度，我们的收益来源要更加丰富，二是降低同质化，中证1000的同质化相比中证500的同质化更低，我们需要在因子拥挤度上做更多监测，怎么看待因子拥挤度这件事呢？一个因子在历史上是始终有效的，一般来说只有在历史上有效的因子我们才会去使用，在历史之外，在真正运行的过程中我们需要监测这个因子是否被过多投资，如果它被过多投资，它会带来因子拥挤的现象。同样的事情在欧美也发生过，早几年美国的量化市场在2018年左右也出现过回撤的时间段，之后大家也是通过类似方法解决了问题，一是因子拥挤度的监测，更多关注因子拥挤度，之后规模比之前更大，但因为加入了因子拥挤度的监控，再也没有出现过因为过度投资导致的风险和回撤。

二是我们的滚动迅速和持续对市场的适应也会更多引入到我们的方法论中，这也是演绎法的投资方法在这一轮的迭代，去年底我们开始把这个方法迭代到策略中来，其实也是基于这段回撤的原因。

从因子看，最简单的就是一致预期因子的失效，是去年9月份到今年2月份失效最主要的因子，其它类型，像价量类型的衰弱也在这段时间出现了，但主要是一致预期类的因子失效了，尤其是越偏基本面的量化公司在这段时间回撤就越大。

卢月辉：谢谢郑总，非常清晰。我看到稳博在时序系列方面还有择时模型，想问一下稳博的择时模型会怎样影响现在的基金仓位？

郑耀：现在我们的择时模型其实并没有在我们的Alpha产品中叠加，只有在一些类似于CTA的方向上去做，但它本质上和T0其实一样，它是基于时间序列的模型来做的，我们T0也可以认为是对每一只股票的择时，除了对于每一个股票的择时以外，我们对每个指数也有择时信号，这个择时信号可以延续两三天。

现在看下来，在当前的市场环境下，因为股票之间的差异相比指数整体波动更大，股票之间的分歧相比指数的波动更大，所以目前更好的方法是把Alpha的权重放得足够高，更多时候做截面上的收益，也就是做股票间差异的收益，在时序上的收益主要是以T+0的模式补充，对于每只股票的时序收益，比如短期看涨看跌是以T0方式来做的，T+1、T+2、T+3的时序信号目前在我们的产品中并没有使用。

卢月辉：想请教一下，现在1000指增的超额今年以来表现非常优秀，但我不太清楚在整个行业中它处于什么样的水平？

郑耀：我们的1000指增整体排名在市场上非常靠前，基本是在前两三名之内的水平，并且去年我们也在前两三名的水平之内，在市场上很难总是保持第一，总是有一些公司会短期冲高，但我们去年、今年，每一年我们的业绩在市场上排名都是非常靠前的。

卢月辉：谢谢郑总，是不是可以这么理解？我知道稳博是高频起家，在中证1000的小票波动率更高的行情里，会有更好的相对优势？

郑耀：其实这是做价量的信号，目前来说我们确实做得比较好。

卢月辉：我们看到有一个球友提问，“指增何时暴露行业敞口，具体什么规则？”

郑耀：我们目前的指增，尤其是在中证1000的赛道上基本不做行业的暴露，中证1000的行业本身很分散，权重也不是很大，没必要通过做行业暴露来获取超额，只有当出现一种特定场景，不暴露行业敞口就无法获取超额时，才会有需要暴露行业敞口。目前来说，对于中证1000的这个赛道，基本上行业上的约束都是比较严格的，它和中证1000的指数也非常像。行业敞口其实是所有敞口中最大的敞口，它相比于市值、估值这些方面，其实它是波动性最大的，可以理解，从风险因子来说它是最大的风险因子，所以做行业择时类的策略。从逻辑上来说，如果有成熟的行业择时策略是可以做适当暴露的，但目前我们不建议这么做。目前我们自己的行业约束也是非常严的，我们对于指数标的基本是1%以内的偏离度。

卢月辉：下一个问题，现在1000指增持股数量有多少？双边换手率能有多少倍？

郑耀：目前我们的双边换手率在150倍，持仓现在是800只左右。

卢月辉：时间关系再回答最后一个问题。中证1000涨了这么多，现在还追吗？现在是什么时机？

郑耀：从中证1000的指数角度来看，首先这个指数我们对于未来的预期如果更长，比如一年，我们认为它会上涨更多，但短期是偏震荡的趋势，因为指数本身相对历史估值依旧处于低位，虽然大家看起来在这轮反弹中涨幅比较大，但它其实在下跌过程中也是跌得最多的一个指数之一，其实从今年以来到今天为止，指数依旧跌了9%左右。

另一方面来说，对于中证1000这个指数增强产品来说，大家可以看一下近两周的指增产品表现，即使有时它的涨幅可能没有中证500高，但加上超额之后它的绝对收益还是会比中证500高一些，原因是因为对于中证1000这个指数，超额幅度可能会远比Beta的最终结果更大，比如现在大家的超额都是在年化30%的水平线上，但指数，按照全年看，它和其它指数，或是它自己的涨跌幅，很少有能到30的，比如中证1000和500可能偏差5个点就算比较大的偏差了，整体来说如果投资时间长度拉到一年这样的周期，就应该更加关注Alpha，并且我们觉得如果投资长度到一年，我们是比较看好中证1000指数的，但在非常短的时间内，指数预测是非常难做的，有一些时候我们在做指数判断时是“模糊的正确”，其实很难做到“精准的正确”，如果是非常精准的指数判断，我们只需要做指数交易就OK了，其实我们也做不到非常精准的正确。

当然我们也有一些择时信号，这些信号都非常短，可能能做两三天，在短周期上择时的上限，如果问下个月指数涨还是跌，这个预判我们目前很难做，但如果长期去看，毕竟指数个股的成长性摆在这儿，我们可以换位思考，如果我是上市公司的老板，我愿不愿意卖我的股份，等我的公司成长性或估值从20多倍变到10多倍时，我其实都不一定愿意卖公司股份，其实这是一个相对概念，所以我认为指数是长期看好的，以年为单位我们非常看好指数，但短期我们不太具备预测能力，大概是这样的想法，我们更关注的是超额。

卢月辉：非常清晰，谢谢郑总，感觉您对数据是信手拈来，是不是您对数据超级敏感？

郑耀：我们做量化每天都是看数字，对数字需要非常熟悉。

卢月辉：由于时间关系今天就到这里，感谢郑耀总带来的精彩介绍，也祝大家投资顺利。本次分享就是这些，再次感谢各位投资者的关注，下期再见。