基金还可利用衍生工具对冲赚金！
A股T＋l 涨停板制炒隔天市 失真？
今周美国加息75点人币贬不值金！
央妈减息救地产降准臨急放资金？
股民处水深火热市况静见 免伤身！
持盈保泰赚錢股持守不加倉 安心？
有远景价值稍亏股切勿抛售 待升！
本人持货成本极低持望日后 涨升？
BYD入价99元持1800股坚守安心！
中国建筑成本4.35元一万股 放心？
攀钢股份入价2.23元一万股 待升！
投资危中有机质优股赚大钱靠恒心？
量化其实是一种方法，而不是具体的目标，或者说不是市场上某一类特定的产品。相对于投资人有明确认知的宏观背景、行业景气度，当话题涉及到因子或者量化模型的诸多细节，投资人就很难获得直观感受。
量化对冲产品在运用哪些投资策略，具体又是在赚什么钱？来看嘉实基金经理金猛是如何解析这个核心问题的。
本文内容节选自《开源金工·量化基金经理对话实录》
受访者为嘉实基金经理金猛，访谈时间2021年6月15日
一、超额收益的本质
假设是做完全的对冲，拆解后很容易发现产品能不能跑赢沪深300。归根结底，要获得超额收益，才能够使得绝对收益产品或者是对冲产品能够**。这里就有问题了，超额收益怎么来？
我对超收益的理解，假设全市场的超额收益之和是0，那就表明我们一定要比平均水平高，才能保证自己有能力拿到这一部分alpha。超额收益的来源，我们认为主要有三个：第一个是超额信息，第二个是超越一般水平的对股票市场的认知。第三个是操作的纪律性，或者说减少犯错的概率。
首先，超额信息很自然，我们要基于信息去预测市场的走势。要想预测要比一般人更准，很直接的方式就是你拥有其他人没有的信息。
第二就是超越一般水平的认知。这是过去绝大多数量化团队希望去琢磨的方向，或者说在业绩遇到困难的时候，大家想要突破的方向。这个超越一般水平的认知途径，既可以是行业专家，也可以是投资模型。投资框架就像我们过去经常去使用的一些量化模型，其实就是我们对股票市场的认知。在过去大家都遇到在特定的时期，我们的投资模型不是那么的犀利，那么面对问题的时候，我们就会想怎么去优化模型，这个过程其实就是在提高我们的认知。
第三个就是减少犯错的概率。这个也很直接，犯错一定是会对组合带来影响的，对于非专业的投资者而言，可能是因为被骗，或者是听了小道消息，不自觉地犯了错误。专业的投资者或者职业投资者，实际上也会因为人性的一些问题而犯错，最典型的就是追涨杀跌的问题。甚至我们一些看似标准的策略，其实也在鼓励我们去追涨杀跌，比如最典型的CPPI策略（注：直接翻译过来，就是固定比例投资组合保险策略）
我们一切工作的重点是想获得超额收益，而要获得超额收益，就要在刚才提到的三个方向有超越一般人的积累。
市场上有海量的信息，而个人是没有办法对海量信息进行处理，同时还能够从中提取有价值的信息。所以，我们最后还是要利用计算机处理信息的优势来清洗这些数据，从中间挖出一些大概率有效的信息。甚至这个概率都不是特别大，只要这个概率大于50%我们就可以把它提取出来用在组合里面。
我们要回溯选股策略的收益来源，比如说通过Barra模型，可以把它拆分成风格行业和个股的要素，这是一种很好的拆分方式。
但也发现一些问题，用Barra模型去解释一些主动基金经理的超额收益的时候，并不能解释清楚。比如，某个基金经理在行业和风格上有很大的负超额收益，会认为这个人没有行业配置能力，或是没有风格选择能力，而他产品的超额收益完全归因于个股选择。
但是回头一想，这个基金经理他从来没有去选行业或者选风格这个事，本来就是通过自下而上选股的。这种收益拆分来源于角度的不同，刚才我们提到了基金经理选股的过程，他其实就抓住了两点：
第一，基金经理他知道其他人不知道的东西，也就是超额信息。
第二，他对这个公司更长期的发展脉络有更好有超越市场的把握，有超越市场的认知。
过去包括现在正在使用的多因子模型，其实没有办法做这样的事情。正因如此，我们把多因子模型里面会给我们组合超额收益带来波动的拆成了4个部分。
二、超额收益的来源
第一个就是行业的偏离。我们以前是不做行业偏离的，但是简单想一下就知道，在一些景气度向上的行业去选股票，获胜概率是非常大的，更容易选到好股票。但如果在钢铁这样的夕阳行业中选择，的确需要一些别人没有的东西，比如哪些钢铁厂现在经营状况良好，预计下个季度披露出来的季报特别好。我希望有方法去推算这个东西，但是公开的数据没有办法帮助我们干这个事儿，那么我要选择好股票的难度是极大的。
所以我们其实采取了一种非常简单，但是同时也比较有效的方式，就是在高景气度的行业持续稳定的超配。过去我们的行业中性的框架其实也没有被打破，我们还是会对一级行业做行业中性，这样做的目标是为了控风险，但是每个一级行业里面有欣欣向荣的子板块，也有已经老态龙钟的板块，需要根据具体情况区分。在这一块上我们下了大量的功夫，也和公司其他研究团队定期输出的研究成果进行了结合。最终的结果是比如说在电子这个行业里面，对于一些相对景气度不那么高的细分赛道，我们就尽量不买或者尽量少买，对于景气度非常高的，比如说像半导体等等，我们会多买。整个大框架依然是类似于一级行业中性的框架，但是在细分的赛道或者在细分的beta上进行了有效的偏离，这个能赚一部分钱。第一个比较重要的收益来源就是通过行业偏离得到的beta。
第二个比较重要的是狭义的alpha。我所理解的狭义alpha是我有超额信息，做出来的才是alpha。刚才提到了两个问题，第一个是超额信息，第二个是超额的理解。超额信息这部分我们过去基本上是不涉及的，因为我们所有的数据都是公开数据，并且它得是能够覆盖所有的行业的数据，如果只能覆盖某一两个行业，我们认为它的有效性是不足的。
我们过去使用IC方法去检测覆盖度很低的指标，最后得到的T值会很低，意味着有效性会很弱。（注：指的是T检验，主要用于样本含量较小，总体标准差σ未知的正态分布资料。T检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著）
我们到底有没有用主动选股，或者说用一些另类数据？是的！而且我们认为未来也是必须要去用的，没有这些就没有超额收益，或者说是没有超额收益里面的这最重要的部分。就看你怎么能挖掘到这些厉害的股票，只有你对市场的理解领先于其他人，或者说你的信息比别人要来得早，你才能够赚到钱。
举个例子，比如北向资金，这个数据绝对能挖出alpha。现在回头看，2016和2017年海外资金流入的趋势非常强，而且持续了很久。以我个人为例，在2017年的时候，一是我当时没有自己做投资，还只是在做研究；二是我在看这个数据的时候，还是很古板的做量化的思路，在2017年初的时候，这个数据只有9个月左右的历史，我觉得使用的时候它覆盖度还很低，因为那个时候的陆股通和现在还不一样，覆盖的股票数量差异较大而且也有很多的限制，比如说每只股票的持仓上限还有要求，我天然就不想用这个数据。
又过了一年，我越来越觉得自己当时的决策有问题，开始去使用这个数据，结果慢慢就发现它的效果越来越差了。其实后来我也进行了反思，这个问题就在于当得到新数据或者结构相对来说不太能满足过去量化的要求的时候，我们应该从本质去理解这个数据到底能不能带来alpha，而不是机械地判断一定要符合我们过去认定的形式才能去用它。等到数据的长度积累了两三年，覆盖度已经有两三千只的时候，再去用它其实就已经晚了。而一些另类数据，或者说一些偏主动的数据，我们是一定要去用它的。
在过去，我们是单纯的做量化组合，而现在我们做的是量化和主动相结合的方式，其实就是我刚才提到的两点，
一是我们会在个别行业中使用一些另类数据，或者说是不太符合过去多因子模型要求的一些数据；
二是我们也会逐渐的参考嘉实的研究团队，他们对于股票的一些推荐以及对于未来盈利的预测信息，我们会用成体系的框架系统化地把它纳进来，我认为这些数据为我们贡献了很多alpha。
第三个方面是，在风控方面还得依赖过去的传统的这样量化的框架，当然我们在这个过程当中也会不断的进步，也会用一些非线性的模型。我们一直在思考，量化模型现在能给我们带来什么？我们还在这个组合里面用了非常大的权重来配置量化的方法论，而不是抛弃它。简单来说，过去的量化是在赚两方面的钱，第一个是风险的钱，因为很多投资如果没有非常系统性的框架，其实处于性价比不利的位置。
刚才我也提到了这个问题，如果是为了增加一点点收益而承担了过多的风险，或者是为了一点alpha，我放大了很多的风险或者说是跟踪误差，那在市场波动的过程当中一来一回，再平衡的过程就会导致很大的亏损，这就得不偿失了。
在这个时候，我们关注的重点就在于如何在整个投资框架中把我们不同的收益来源，不同的alpha来源，不同的beta收益的来源，有机地整理到组合里。简单来说就是对于每个收益来源，我首先要知道它未来的预期贡献和预期风险是什么，在我优化它的过程中要使得我的风险预算和它带来的潜在alpha成正比。长期来看，这样的过程是可以提高超额收益的。
第四个超额收益的来源是因子溢价。我们用一些比如估值、质量、成长等等这样指标，过去我们觉得是在筛选公司，现在我们认为我们通过因子筛选的不是公司，而是市场的某种风格。这个风格和成长价值简单的二维风格不一样，是市场上某种特有风险的风格，或者是对应的某种风险溢价。我们承担了这种长期来看能够贡献回报，但是短期大家又不想去承担的风险。我们额外承担这一部分风险，长期来看就能获得这样一份回报。因为在我们的因子框架里面有两三百个这样的因子，有的团队用的多有的用的少，我认为大家其实都在干同一件事情，就是承担一些市场主流投资者或者主动交易选手他们不愿意去承担的风险，付出了这部分社会劳动，那就能获得这样一份回报。这块我们也还在做。
刚才提到4个主要的收益来源，alpha、beta、风险和因子，我们还会持续不断的做。我们也认为超额收益只有通过不断的分散，不断的去寻找新的因子并纳进研究框架，通过分散化来来提升持续性或提升风险收益比，才能够在市场不断进化的过程当中始终保有自己在超额收益的竞争力。毕竟市场的有效性会不断提升，以前是超额信息的数据，会渐渐为大众所知，以前觉得是比市场平均水平要强的理解，也许会逐渐趋于平均水平。
以上观点来自嘉实基金经理金猛先生