华夏基金孙蒙：市场远比线性对应关系复杂

导读：在这两年偏弱的A股市场中，华夏基金孙蒙是独特的存在。他管理的华夏智胜价值成长2020年至今只有在去年小幅亏损4.41%，今年也取得了8.78%的收益率（数据来源：Wind；数据截止：2023年8月30日）。要知道无论是2022年还是今年以来，市场出现了许多个出乎意料的“黑天鹅”事件，给市场带来比较大的宏观层面冲击。

图表：华夏智胜价值成长A历年收益和排名

数据来源：万得，基煜研究；数据截止日：20230830；基准指数：中证800指数

把时间拉长看，孙蒙的华夏智胜价值成长在其管理期间取得了71.07%的收益率，大幅跑赢了同期万得偏股混合基金指数的23.96%和沪深300的1.63%。从下面这张图能看到，这个基金在2022年4月也和市场一样出现了回撤，但之后很快就反弹并创出历史新高。

数据来源：Wind；数据截止：2023年8月30日

我们再看孙蒙的另一个代表作：华夏中证500指数增强。自从孙蒙管理以来，这个产品的区间收益率高达66.04%，在所有同类的500指数增强产品中排名第1！而且，除了排名第二的基金区间收益率相差不到1%之外，其他基金和孙蒙至少相差了19%的收益率，意味着他在公募量化选手的超额收益能力是非常领先的（数据来源：Wind；数据截止：2023年8月30日）。

数据来源：Wind；数据截止：2023年8月30日；制图：零城投资

由于超额收益极其稳定，关于孙蒙投资框架体系的讨论也非常多。他到底有什么持续战胜市场的“秘方”呢？带着这个问题，我们和华夏基金的孙蒙也做了一次深度交流，整体有两个比较深的感受：

1）通过把AI算法纳入到量化模型，大幅提高了数据的覆盖面和处理效率，通过大数定律降低投资中的随机性。

2）不断提高“阿尔法的门槛”，理解简单可获取的阿尔法一定会变成贝塔，只有不断提高阿尔法门槛，才能守住自己的阿尔法能力。这个门槛，在于获得比别人更多的信息，以及实现更快的信息处理能力。

优秀的基金经理，就像企业家一样永远在追求卓越。在我此前翻译的《征服市场的人》中，西蒙斯虽然没有揭示他具体的量化模型，但告诉了我们大奖章基金是如何维持稳定超额收益的：不断迭代和进步。而这也是孙蒙一直在做的。

回归到本源，一个基金经理的投资框架和思维方式，也和他底层的“信仰”有关，那么什么是孙蒙的“第一性原理”呢？

我们通过访谈发现，孙蒙是一个带有“量子物理价值观”的基金经理，要理解他的底层投资思维，我们先需要知道量子物理和传统牛顿物理的区别是什么。

在《量子物理如何改变世界》这本书中，作者卡洛·罗韦利总结了量子物理学的两条“公理”：

1）我不可能获得关于一个物体的全部信息

2）物体的性质是在互动中呈现的。

在孙蒙看来，投资的世界并不是一一对应的简单关系，不能用简单的线性关系看待市场。比如说低估值就一定带来高回报吗？并非如此，市场远比线性关系更加复杂，呈现出非线性的特点，而且伴随着大量的随机性。用他的话，真实世界远比我们想象的复杂。

基于这样的“投资世界观”，孙蒙认为单靠某一两个因子维度的挖掘，是很难稳定战胜市场的。这也让孙蒙一开始做投资时，就通过AI量化模型挖掘更多的信息数据。今天，我们看到越来越多的基本面量化都开始从传统的多因子模型向AI算法过渡，而孙蒙显然已经走在了市场前面。

投资是一场探究真相的游戏，孙蒙认为的真相更像一种“平行宇宙”，即便同样的事情在不同宇宙发生，出现的结果也会不同，没有任何的确定性，有的只是概率。而他不断在做的，就是提高投资的概率。

以下，我们先分享一些来自孙蒙的投资“金句”：

1. 对我而言，更多是希望在策略中运用到一些新技术，帮助我挖掘传统意义上比较难获得的超额收益

2. 我们就会把行业轮动看做是一个风险控制，在做中证500指数增强时，把我们持仓的行业分布和中证500指数基准做匹配

3. 当我们覆盖的数量足够多后，就会朝着大数定律的方向发展，随机性反而减少了

4. 行业轮动和择时是很难成为超额收益特别稳健的策略，背后的原因就是数据太少

5. 主动管理基金收益源于对公司的深度研究和跟踪，量化投资收益源于对大类信息和公司的覆盖。由于收益来源不一样，那么相关性就会比较低

6. 金融市场任何事情的发生，都是和概率相关的，不存在一一对应的关系

7. 对于模型来说，持续的竞争力意味着要不断提升门槛

量化遵从大数定律，减少随机性

朱昂：能否先谈谈是什么契机让你进入量化投资领域？

孙蒙我在国外是读物理的，物理专业毕业的人就业有两大主流方向，一个是去做量化，还有一个是做科研，所以量化投资领域占到了我们就业挺大的比例。

从我当时的理解看，国内的券商和海外的投行是类似的，海外投行有很大的自营盘通过量化的方式去处理，我当时在国内券商做的也是用量化管理自营盘。

朱昂：量化投资有两大门派，一类是量价策略为主的私募，一类是基本面量化为主的公募，你为什么选择公募的流派？

孙蒙我觉得两者并没有优劣之分，只是彼此的技术能力或禀赋有差异。私募量化起家的是高频策略，在系统上的优势有长期积累，很自然会把曾经成功的经验，应用到股票投资上。

公募量化在交易系统层面受到的限制多一些，竞争优势在基本面，所以策略上偏向基本面出发的交易。

两者的差异和各自所具备的竞争优势相关。我们也看到一些公募也已经实现了类似于私募的高频换手，这也和每一家公司长期积累下来的能力有关。

朱昂：基本面量化一直以来超额收益稳定性并不高，你的超额收益稳定性一直很强，能否也谈谈这一套量化投资框架？

孙蒙在公募基金领域，不同机构的禀赋也有差异，关键还是要看在哪里具备竞争优势。我也看到不少公募基金同行的超额收益很稳定，只不过大家的切入点不同。对我而言，更多是希望在策略中运用到一些新技术，帮助我挖掘传统意义上比较难获得的超额收益。

从超额收益稳定性的角度看，就涉及到风险控制，也是我们非常关心的部分。我们认为事先的风控非常重要，在一开始构建策略的时候，就需要严格把控。

比如说我们在做中证500的指数增强时，就知道行业层面的轮动并不能实现稳健的超额收益。我们就会把行业轮动看作是一个风险控制，在做中证500指数增强时，把我们持仓的行业分布和中证500指数基准做匹配。这么做，就是因为我们认为自己无法通过行业轮动做出超额收益。

所以做一个量化策略的时候，必须知道自己哪里有能力，哪里没有能力。

朱昂：那么你觉得自己的这套方法在哪些方面是有能力，哪些方面没有能力？

孙蒙量化策略最主要的收益来源，是对信息和公司覆盖的宽度。主动投资超额收益来源，是对公司的深度研究。理解了这一点，我们就要避免去和主动投资在深度上的竞争，而是发挥自己在覆盖宽度的竞争优势。

当我们覆盖的数量越多后，就会朝着大数定律的方向发展，随机性反而减少了。

AI量化模型能挖掘更复杂的非线性关系

朱昂：你是国内很早用AI的量化模型，为什么在大家用多因子模型的年代，你就想到了AI算法？

孙蒙我们并不算很早用AI的量化模型，许多私募很早就做了相关的技术积累，整个逻辑是非常顺畅的，量化投资的方法从多因子模型过渡到AI量化。

如果细看多因子模型，会发现有很多内涵假设，但是这些假设是否存在，是需要打问号的。

多因子模型的第一个假设是，认为拿到的数据是能很好刻画公司质地的，但其实是不一定的，要思考有没有更好刻画公司质地的信息来源。

多因子模型的第二个假设是，对过去的信息数据做线性外推，预测未来的收益，但这是会发生变化的。比如说从估值因子的角度看，线性逻辑认为低估值一定带来未来的高收益，高估值一定对应未来的低收益。或者从成长性指标看，未来成长性越高，收益也会越高。

但从我的角度看，真实世界不可能那么简单，一定存在更复杂的非线性关系。通过算法能比多因子模型做到对非线性变化的更细致挖掘，打破过去一一对应关系。

高成长不是一定对应高收益，低估值也不是一定对应高收益。有时候高成长可能是坏事，意味着未来的成长性没那么高了，或者说未来成长性会变差。还有一些处在中间区域的成长，既不是特别高，也不是特别低，反而可能呈现出一定的线性关系。所以，不同阀值所体现的性质是不一样的。

像传统的Barra模型中，会把市值因子进一步拆分成线性市值和非线性市值。我们看到小盘效应属于线性市值，而中盘就是非线性市值，持续的表现不是很好。许多因子都存在类似的非线性特质。

朱昂：量化最大的问题是，认为历史会重复，但很多时候宏观环境变化后，历史并不重复，你如何解决这个问题？

孙蒙这个问题很难避免，也是任何量化策略面临最主要的问题。量化投资的内涵假设就是，所有发生的事情都在历史存在，去寻找相应的规律。我们要做的是，找到足够多的时间样本点。宏观环境经常发生变化，这些都能在历史上或多或少重复出现过。

所以我觉得针对不同的问题，要拿到的数据长度可能不太一样。包括我们为什么要学历史，也是认为过去发生的事情，未来会重复。

但是如果确实出现一个特别剧烈的规律改变，会对大部分量化策略来说带来明显的挑战。

朱昂：但股票市场从年度数据看，长度是很短的，美国也就一两百年，中国更短，你如何解决数据长度的问题？

孙蒙这就是为什么我们前面提到，行业轮动和择时是很难成为超额收益特别稳健的策略，背后的原因就是数据太少。即便从日度的择时看，一年也就250个数据点，对应到模型上有很大的随机性。再看行业轮动，中信一级行业也就30多个，假设每个月做一次轮动的决策，一年就是360个左右的数据点，很难去做特别有意义的统计模型。

所以我们把行业轮动和择时作为风险去控制，仓位上不做行业层面的偏离，就是因为这个策略很难实现稳定的超额收益。从这个角度看，我们的超额收益几乎都来自选股，这也让我们的超额收益稳定性更高。

最有效的风控是事前控制

朱昂：讲到风险点，你管理产品相对基准的超额收益最大回撤很小，这是怎么做到的？

孙蒙在我看来，这和我们主动做了风险控制有关。我认为风控要做在事前，事后风控是一个伪命题。通过事前的预防，我们能避免风险对组合的冲击，而事后风控更多类似于一种砍仓。当已经出现回撤的时候，做任何动作都会相对比较尴尬，也很难到底应该怎么做。所以在我们的体系中，会事先控制超额收益的波动率，预防出现较大的回撤。

举个例子，就像前面提到的行业轮动作为一种风控，由于我们组合在行业配置层面是偏向中性的，那么当市场出现各种风格切换时，并不会影响我们的超额收益。

朱昂：从收益的角度看，你曾经提到也是靠选股，而主动管理基金许多也是通过个股选择，但你产品和主动管理基金的相关性很低，这是什么原因？

孙蒙这是因为两者获取收益的维度不同。主动管理基金收益源于对公司的深度研究和跟踪，量化投资收益源于对大类信息和公司的覆盖。由于收益来源不一样，那么相关性就会比较低。

朱昂：但许多量化也有风格上的暴露，而你并没有依靠风格去赚钱，这是为什么？

孙蒙这就是前面提到的，我们会做很多风格上的事前风控，不太愿意去赚风格的钱。既然叫风格，本身就存在反复的逻辑，不能成为我们最主要的收益来源。

世界更像一种“平行宇宙”

朱昂：你曾经提到过“真相”，金融学对市场“真相”的看法和人工智能是不同的，能否谈谈你如何理解背后的差异？

孙蒙我理解的真相是，大家做各种决策通常都是基于信息的。比如说投资，就是基于信息去做判断。但是从信息到未来发生的变化，是很难找到一一对应的关系。不同的方法和策略，非常类似于“盲人摸象”的过程，而且这个大象，在不同阶段呈现的样子又是不同的。

每个人只是摸到的只是象的局部，背后的真相很难得到。

金融市场本身就存在大量的随机性和不确定性，不像语音识别或者图形识别，是能确定识别出这是某个人，这个关系是确定存在的。金融市场很难说有确定存在的关系，大家的策略和方法，都是对市场的局部进行刻画。

朱昂：所以你认为金融市场没有一定的真相存在，投资是需要提高胜率，而不是找到真相？

孙蒙我觉得金融市场任何事情的发生，都是和概率相关的，不存在一一对应的关系。不是A发生了，B就一定会发生，更类似于量子力学。从量子力学的逻辑出发，所有事情都是一个波函数的分布，通过不同方式测量波函数指数在某个局部观察它的一个性质。