博道基金杨梦：每个人都在构建自己的多因子模型

导读：语速超快、逻辑超强、思路清晰，这是博道基金杨梦给我们最深刻的印象。作为一名专注量化超10年的基金经理，杨梦带有比较强的“理工科”思维方式，对每一个问题，都能给出简洁而深刻的答案。我们和杨梦的访谈只用了四十多分钟就结束了，不仅是因为她的语速快，而语言中包含的信息量很大。

在此次访谈中，我们尝试回答两个问题：1）红利策略为什么在过去几年表现优异；2）杨梦如何在量化投资领域实现超额收益。

对于第一个问题，杨梦认为红利策略最大的独特性在于确定性较高。不同于大部分策略的收益率主要是估值波动和盈利增长构成的，红利策略的主要收益来自分红。而能够实现高分红收益率的公司，通常质地优良——估值较低，而且经营周期的波动较低。

在当前经济不确定性较高的环境下，红利策略体现了稀缺的分红收益确定性，就比较容易有好的表现。这样的宏观背景短期内不会发生逆转，也意味着过去两年表现优异的红利风格大概率能持续下去。另一方面，从大类资产配置的角度看，以中证红利指数为代表的红利类资产还有5%左右的分红收益率，在利率下行的大环境下，同样具有比较明显的吸引力。

对于第二个问题，杨梦追求在风险控制范围基础上的超额收益最大化。她表示量化投资的超额收益也有“盈亏同源”。如果对模型参数控制很紧，那么超额收益的弹性会下滑；但如果参数控制太松，又会导致超额收益的波动太大。

在投资流程上，杨梦把多因子模型根据主动投资的模式分为三个模块：股票分析、组合生成、日常运营。通过清晰的流程，能更好把控获得超额收益的环节。

对于量化投资和主动投资，杨梦认为两者本质上没有区别，大家都是为了获得超额收益，而获得超额收益的方式逃不开股价（P）=盈利（EPS）X 估值(PE)这个等式。大家在不同时间维度上，尽量做出相对盈利和估值更准确的判断。如同每一个主动权益基金经理，即便他们属于同一类投资风格，都会做出不一样的组合，量化投资虽然都是用多因子模型，最终的组合也有很大差异。

杨梦认为，这个差异就来自两个环节：1）因子库的定义；2）因子配权的比例。看似被动的量化投资，其实最终的差异是每一个基金经理对投资上的定性不同，这又回归到了底层信仰的差异。每一个量化组合，最终反映的也是基金经理内在信仰。

以下，我们先分享一些来自杨梦的投资“金句”：

1. 红利类资产最大的独特性，就是它在股票类资产里面确定性相对来说是比较高的

2. 我们发现在全球经济不确定性较高的时候，红利类风格就更容易有比较好的表现

3. 红利类资产当前的分红收益率还有5%左右，无论是和自身历史做纵向比较，还是在各个大类资产做横向比较，都是相对比较有优势的

4. 中证红利指数成分股的定价效率低于沪深300这样的大盘股，超额收益空间相对来讲更大一些。

5. 我觉得量化投资和主动投资之间没有本质的区别，所有在这个市场的专业投资者，最终目标都是一个：为了获得超额收益

6. 在我看来，无论是做主动的还是做量化的，最终每一个人都在构建自己的多因子模型

7. 我们不追求极致的超额收益，希望在维持风控范围的基础上，最大化追求超额收益的弹性

8. 博道量化团队源自私募博道投资，在公募行业中是比较特别的，较早就深耕量价因子，并且持续迭代，也保留了原来私募量化团队灵活的特点

9. 投资要有复利效应，必须相对稳定可控，无论是对标贝塔的明确，还是阿尔法收益的可控

红利策略的最大独特性：

分红收益预期的确定性较高

朱昂：红利策略在海外是一种比较成熟的策略，这两年在国内表现也不错，最近又火起来了，你如何看待红利类资产？

杨梦 红利类资产最大的独特性，就是它在股票类资产里面确定性相对来说是比较高的。因为我们去拆解一个指数的回报时，通常是由估值波动、成分股的盈利增长、以及成分股的分红收益率这三个部分构成。

对于绝大部分的指数，收益率主要是估值波动和盈利增速构成的，只有红利这样的指数收益主要来自分红收益率，这是因为指数选择的是分红收益率最高的一批股票。

一个股票如果想要实现较高的分红收益率，要有两个前提条件：

1）估值相对便宜。同样的分红，50倍买入和10倍买入对应的分红收益率完全不同；

2）自身经营比较稳定。通常经营稳定的公司，才愿意相对大比例的分红。比如说一个公司每年都赚5000万利润，才愿意拿出比较大的比例分红。如果一个公司今年赚5000万，明年只能赚1000万，是不会太愿意大比例分红的。这些公司都具有经营周期波动相对较小的特点，不会随着宏观经济起落大幅波动。

也正是因为低估值+低经营周期波动的特点，和主流宽基指数相比，红利类指数具有更高的夏普比。

朱昂：也正是因为红利风格过去两年表现很好，许多人会问能持续多久，你怎么看这个问题？

杨梦这个问题许多机构投资者也都问过我。我整体是这么看的：

第一个视角：红利类资产在什么样的背景环境下有比较好的表现？

我们发现在全球经济不确定性较高的时候，红利类风格就更容易有比较好的表现。这是因为红利类风格的特点就是确定性较高，成分股分红相对确定，经营周期波动相对较低，那么在宏观环境比较动荡的时候，红利类风格的相对优势就表现出来了。

过去这两年红利风格之所以表现优异，也和这样的大背景有关。而且我们认为这样的宏观背景大概率不会在短期发生逆转。

第二个视角：从资产配置的视角看，红利类资产当前的分红收益率还有5%左右，无论是和自身历史做纵向比较，还是在各个大类资产做横向比较，都是相对比较有优势的。

从资产配置的角度出发，我觉得中期趋势是往红利类资产转移，而且这类资产也是目前政策鼓励的方向。无论是“中特估”这样的主题背景加持，还是近期关于上市公司减持和分红挂钩的政策，其实都给红利增强策略提供更广阔的选股空间，而选股空间的扩大也是比较有利于我们选股模型超额的发挥。

不同持有周期下的产品选择

朱昂：市场上红利类资产的选择很多，投资者应该如何选择呢？

杨梦如果投资者认可红利类资产的配置价值，那么能选择的产品主要是两大类：1）ETF类；2）指数增强类。

如果是基于中短期的交易需求，ETF类会是更好的选择。因为这类产品费率比较低，成分股清晰透明，不需要承担超额收益的波动。

如果是基于2-3个月及以上的配置型需求，指数增强类产品会是更好选择。这类产品跟ETF最大区别在于，通过系统化和多元化的手段希望追求一定的超额收益。从A股市场的投资者结构看，专业的机构投资者还是有一定的超额收益空间。

朱昂：前面你也提到了ETF指数类产品，这里面的类型也很多，有红利低波、红利质量、中证红利等等，投资者又应该如何选择呢？

杨梦我觉得最纯粹的是中证红利这样的指数，因为在选择成分股时只考虑分红收益率这一个因素。基本上把有流动性风险和盈利风险的股票剔除掉之后，再去选择分红收益率最高的100个股票构成指数的成分股。

像红利低波和红利质量这两类指数，希望在保持红利特征的前提下，还加入了低波或者质量因子。

如何做好“红利+”？

朱昂：你目前正在发行一只红利增强产品，我们知道指数增强类产品，选什么贝塔基准很重要，能否先谈谈对于这一块你是如何考虑的？

杨梦前面也提到，也有类似于红利低波、红利质量这样已经做了适度增强的指数。但是，我们目前发行的博道红利智航还是选择对标中证红利指数。这么做，是因为我们希望把指数增强产品中的贝塔和阿尔法来源区分清楚。

我们希望产品的阿尔法通过更全面的多因子模型实现，整个模型可以纳入包括质量和低波在内的多个因子。如果一个产品只考虑单一因素，那么会面临超额收益波动较大的风险。所以我们的做法是，选择一个很纯粹的中证红利指数做基准，然后再叠加多因子模型去争取更多的超额收益。

朱昂：但是中证红利的成分股是大盘股为主，而量化的超额收益在小盘股中更加丰厚，比如说沪深300指数增强产品的超额收益就不如中证500和中证1000指数增强，你如何看待这个产品的超额空间呢？

杨梦为什么沪深300指数的超额空间会低于中证500和中证1000，其核心就是定价效率。在沪深300这样的大盘指数中，成分股绝大多数被卖方分析师和买方机构做了紧密跟踪，定价是比较充分的。

比如说某高端白酒龙头这样的股票，每一次财报发布后都有许多分析师马上出点评报告，这种公司的覆盖度、跟踪度、定价效率是高于小盘股的。所以大家也会说，机构的覆盖度和定价效率，决定了超额收益空间。

我们再来看中证红利这个指数，由于成分股的筛选就是看分红收益率，筛选出来的股票更多会集中在煤炭、金融等偏稳定增长和周期属性的行业。这些行业的定价效率相对没那么充分，超额收益空间相对来讲更大一些。

我们也做过一个模型回溯，红利指数的超额收益是介于沪深300和中证500之间的。

朱昂：那么我想问一下，具体在红利策略上，你会如何做出更多的超额收益呢？

杨梦博道红利智航首先它以后绝大部分资金的比例将会投资于中证红利指数的成分股，大约80%左右。一方面我们不希望过于偏离基准指数，毕竟这是一个红利指数增强产品，要确保产品基础的贝塔属性，也就是高分红这样的特性。另一方面，我们会采用量化模型的方法筛选出成分股之外同样具有高分红特征，并且能带来超额收益的股票。

我们会用多因子模型对这些股票排序打分，再根据指数成分股的原始权重做增配或者减配。这样的话，我们就能形成一个差异化组合，逐渐积累出长期的超额收益。

当然，在具体实际操作的过程中，是很复杂的，我们的多因子模型主要分为三个模块：

第一个模块，股票分析，类似于主动选股的研究分析工作。对于主动选股的产品来说，需要研究员覆盖不同的行业，然后基于自己的研究给出股票推荐。我们的量化多因子模型也有这样一个模块，通过系统模型把股票池的个股进行评分，输出看好哪些个股。

第二个模块叫做组合生成，根据不同的投资目标生成不同的组合，比如说中证500指数增强和中证红利指数增强的模型输入基准是不同的，即便我们根据第一个模块产生的观点，对应到不同类型基准的指数增强产品中，最终形成的投资组合也是不同的。我们还有一些产品要维持行业中性，通过行业分散的方式降低超额收益的波动。

类似于研究员输出相同的研究成果给不同的基金经理，最后产生的投资组合也肯定有差异。这是因为每一个人的选股理念和框架不同，以及管理产品对标的基准差异，导致了最终投资组合的不同。这个过程在我们的量化多因子模型中，是通过组合优化的工具来完成的。

我们通过组合优化器，把“研究员”产生的观点模拟出最大化收益，同时又把各种偏离控制住，不过度暴露在某些预判上面。这就是类似基金经理要完成的工作。

第三个模块就是日常事务性运作。我们管理十多只不同的指数增强产品，每天都要对具体产品的交易环节做具体拆分，比如说怎么进入算法交易、如何最小化冲击成本、怎么拆单、以及每天的运作情况。这也是绩效归因的模块，类似于一些日常运营相关的事务性工作，所以我们叫做运营部模块。

我们也有专门的代码体系，把事务性工作模块做到系统化、代码化、智能化后，能节约我们许多时间精力，使得我们把更多精力放在第一个步骤，争取更多的超额收益。

这就是我们量化多因子模型的一个运作流程。

量化和主动投资都是多因子的体现

朱昂：提到多因子模型，能否谈谈从量化角度你是如何看待投资的，和主动投资有哪些不同？

杨梦 我觉得量化投资和主动投资之间没有本质的区别，所有在这个市场的专业投资者，最终目标都是一个：为了获得超额收益。拉长时间看，超额收益能力也是大家所存在的价值，获得一个比市场平均参与者，更好的收益水平。

经过我多年的观察，绝大多数的投资者获得超额收益的方式，基本上都逃不开股价（P）=盈利（EPS）X 估值(PE)这个等式。超额收益能力要么来自于能够很好预测基本面的趋势，要么来自于预测估值波动的趋势。我们再根据预测周期的长短进行划分，基本上就对应下面几个主流的投资方式：

1）基于1到3个季度的中短期基本面预测，对应的是景气度投资。这个方法，主动管理可以做，量化投资也能通过基本面趋势类的因子去做表达，通过对公开数据的挖掘，去把握未来1到3个季度景气度比较高的公司；

2）基于1到3年，甚至更长时间维度的基本面预测，对应的是长期价值投资方法，也就是巴菲特做的事情。这一层次的超额收益，来源是最广泛的，空间是最大的。

要获得这个层次的超额收益在于一定要比别人更加有洞见，能够去预测三到五年之后产业的变迁、公司的变迁。只有极少数的人才有这个能力，所以它的获取难度是最高的、空间最大、容量也最大。

3）基于1到10天内的估值(PE)预测，甚至可以短到对日内的交易判断。这就是大家俗称的高频量化交易。在这个领域，量化的方法更加有优势。

通过大量的计算机手段，去挖掘统计的规律，以量价因子的形式作为表达。公募基金不会去做很高频的量价交易，但是我们的模型中也有对量价因子的刻画。我们是从日度的10到20天的周期，来试图捕捉价格型的规律，主要是靠算法和数据的先进，因为完全是统计规律的挖掘，能够排除掉情绪上的干扰。

4）基于1个月到1年的估值（PE）预测。我们如果把对估值预测的周期拉长，就变成了大家熟知的低估值投资方式。在量化的模型中，表达为估值因子，去赚取1个月到1年周期中，估值回归的钱。

短期的估值波动，和企业估值中枢没什么关系，完全是通过对行为金融学规律的挖掘。但是如果把周期拉长到1个月到1年，就可以定义为估值回归这种低估值因子，我们有估值大类的因子，可以去表达这种类型的超额收益。

制图：点拾投资

不同的投资方法，对胜率的要求不同，能承载的规模容量也不同。比如说，同样是依靠预测基本面趋势的方法，景气度投资的容量就不如长期价值投资，但长期价值投资对胜率的要求，也比景气度投资更高。

在我看来，无论是做主动还是做量化，最终每一个人都在构建自己的多因子模型。在这四个类型里面，有些人会在EPS长期预测里面放比较大的权重，就是以长期价值投资为代表。有些人会在中短期景气度EPS趋势放更多的权重，比如这两年比较火爆的中观产业景气投资。有些人会在低估值因子上放比较大的权重，类似一些做低估值策略的投资者。当然做主动的人，很少会在量价因子上放比较大的权重。

每个人都是基于自己的禀赋、成长经历，会有一个自己的多因子模型，在这几个维度里面放不同的权重，形成自己投资特色和理念。从这个角度来讲，主动跟量化是一样的。

我们所谓的多因子模型，也是在这几个大的维度，去不断的提高定价能力。在每一个类型超额收益里面，不断去提高它在上面的预测能力。比如都说成长投资，我可能还要再更进一步，在大家都知道的成长因子的基础之上，我还想要再挖掘超额收益，这是我们量化的价值所在。

这是我对于整个超额收益和投资的理解。

具有私募基因的博道量化团队

朱昂：前面也提到博道基金的量化投资体系，能否谈谈博道基金整个量化的投研体系有什么特点吗？

杨梦每一家公司肯定都是有差异的。我们自己总结下来，可能大家都做多因子模型，但差异主要区别在两个部分。

第一个部分是因子库。需要了解如何构建和定义因子库，以及在定义的基础之上怎么去匹配人员的分工和考核方式，这是偏定性的层面。

我们公司会采用团队化的分工协作，而在团队分工协作模式中，是按照研究方向分工还是按照研究流程分工，也会带来比较大的不同。因子库背后匹配的是团队运作方式。

那么我们是怎么做的？我们首先是基于对投资的理解，采取分工协作的方式。在我们整体的框架下，有人负责基本面因子，也有人负责算法量价因子，每一个方向的研究员都有明确的考核基准，会要求他们必须在自己的领域做到行业比较有竞争力的水平。最后，我们再把大家的研究成果拼合在一起，形成完整的指数增强因子库。

第二个部分是因子配权。刚才提到有基本面因子、量价因子、估值因子等等，但系统最后只能输出一个观点，所有因子汇总在一起肯定会“打架”。那么如何把所有因子观点配在一起呢？这就是因子配权的方式，每家公司的差异是很大的。

举个例子，主动选股的基金经理有不同风格，量化投资也是如此。有些人配权体系中的基本面因子会比较高，也有些人会给量价因子很大权重，还有一些轮动型选手和均衡型选手。不同的量化投资风格，在因子配权上的权重也会不一样。对我们来说，目前是保持基本面和量价，两者相对均衡的配权形式。

总的来说，各家量化团队的差异主要体现在这两个层面。