【原创】空气指增——残差与风格

作者：江湖汇量化

题图：江湖汇量化微信公众号

一、空气指增——产品形式的演进

1、国内量化私募产品形式演进，从量化对冲，到指数增强，再到量化多头

中国量化私募基金的发展经历了从量化对冲、指数增强到量化多头产品的演进过程。以下是对这三类产品从概念提出到市场普遍接受的详细分析，并补充相关的规模数据：

1.1 量化对冲产品：绝对收益的探索与市场认知的建立

量化对冲产品通过量化选股模型构建股票组合，并利用股指期货对冲市场系统性风险，旨在获取稳定的绝对收益。

起步阶段（2010-2013年）：2010年，沪深300股指期货的推出为量化对冲策略提供了必要的工具。然而，由于投资者对对冲工具和策略的认知有限，产品规模增长较为缓慢。

快速发展（2014-2015年）：2014年，市场风格转向蓝筹股，量化对冲产品凭借较低的回撤吸引了机构资金。同年，中证500股指期货的推出进一步丰富了对冲工具。然而，2015年的股市异常波动及随后对股指期货交易的限制，对该策略造成了显著冲击。量化私募在此阶段开始调整策略，以应对流动性挑战。

值得注意的是，2014年11月下旬，央行宣布降准降息，A股市场随之大幅上涨，金融板块领涨。由于多数量化对冲产品低配金融板块，导致其超额收益在短期内大幅回撤。例如，2014年11月21日至2015年1月5日期间，沪深300指数增强产品平均超额收益回撤达到5.68%，而量化产品的超额收益回撤幅度更大，达到21.30%。

总体而言，在这个阶段量化对冲产品在市场行情不佳时更受投资者青睐，因为此时获取绝对收益的需求更为强烈，推动了此类产品规模的提升。

1.2 指数增强产品：从尝试到市场认同的漫长道路

指数增强策略通过模型选择优质股票对标的指数进行增强投资，追求稳定的超额收益。

萌芽阶段（2016-2018年）：2016年，头部量化私募如明汯投资、幻方量化尝试推出指数增强产品。初期，由于模型参数尚未优化、因子有效性不足，超额收益波动较大，市场接受度较低。此外，指数增强产品需要与传统主动型基金竞争，其概念和优势难以被广泛认可。

市场接受（2019-2020年）：随着因子模型的改进和市场数据的积累，指数增强策略的表现逐步稳定。头部私募通过与机构投资者合作，逐步扩大资金管理规模。2019年后，监管逐步放宽股指期货限制，指数增强产品迎来快速发展，特别是在大盘震荡市中表现突出，逐渐获得市场青睐。

全面推广（2021年至今）：指数增强策略已成为国内量化私募的重要产品类型，吸引了大量机构资金。截至2023年末，指数增强产品规模已突破3000亿元，占量化私募总规模的30%以上。其超额收益的稳定性、低成本和透明性成为投资者选择该类产品的关键因素。

1.3 量化多头产品（“空气指增”）：从边缘化到爆发式增长

量化多头产品，即不对标任何指数的量化多头策略，完全依赖模型构建投资组合，目标是获取绝对超额收益。

试探阶段（2018-2020年）：在指数增强产品成熟后，头部私募如九坤投资、致诚卓远等开始推出量化多头策略。由于不对标指数，投资者难以明确评估收益表现，这类产品在初期缺乏市场认可，资金募集面临挑战。

市场爆发（2021-2022年）：得益于量化模型的升级，量化多头策略逐渐展现出优秀的风险调整后收益，且不依赖市场贝塔。在2021年的结构性牛市中，这类产品表现优异，迅速获得高净值客户及机构的青睐。业内百亿私募纷纷布局该策略，形成了一波竞争潮。

普及与竞争（2023年至今）：截至2024年7月底，管理规模超50亿元的头部量化私募共有61家，其中百亿量化私募为29家。量化多头产品的规模已超过5000亿元，占量化私募市场份额的40%以上。随着市场竞争加剧，策略迭代成为核心竞争力，人工智能技术和大数据分析的广泛应用进一步提升了产品的超额收益能力。

产品演进背后的推动力

技术驱动：从早期的多因子模型到高频策略，再到引入机器学习与大数据，量化产品的演化离不开技术进步。幻方量化等私募最初以高频策略闻名，而明汯投资通过人工智能技术优化多头策略模型。

政策助力：股指期货和融资融券标的的扩容为量化产品提供了更多工具，特别是指数增强策略所依赖的对冲工具。

投资者教育：私募基金通过持续的沟通和数据展示，逐步提升了投资者对复杂量化策略的认知。

综上，量化产品的演进是一部“策略创新与市场教育”相结合的持续进化史。从初期的量化对冲，到指数增强策略的规模化，再到近年来兴起的量化多头，产品形式不断适应市场需求，推动着量化私募行业迈向更高峰。

2、国外的量化多头产品的情况

量化多头产品作为量化投资的重要分支，逐渐成为国内量化私募的核心策略之一，其独特之处在于完全摆脱了特定指数的限制，专注于通过量化模型选股和动态调整组合，以实现绝对收益的目标。这与指数增强产品形成了鲜明对比：指数增强产品以追求相对收益为核心，通过在基准指数的基础上获取超额收益来满足投资者的需求，而量化多头则以获取持续的正回报为最终目标。两者在投资范围、风险控制和投资目标上均存在显著差异。量化多头产品的选股范围更为广泛，不局限于特定指数成分股，同时在风险管理中更强调通过分散投资和动态调整降低系统性风险；相比之下，指数增强策略需严格控制与基准指数的跟踪误差，以确保其策略的有效性。

在评价一家量化多头产品的表现时，传统指标包括绝对收益水平、风险调整后收益（如夏普比率）、最大回撤幅度以及业绩的长期稳定性。除此之外量化多头产品相较于指数增强产品如果还是以残差波动率为预测目标的话，必然要在500、1000赛道的增强表现出优异的成绩量化多头产品才能有保障。当然前面这个逻辑是在指数增强和量化多头是同一套模型的基础上。另外还有一个问题，那就是不以残差波动率为预测目标的，也就是以风格预测为预测目标的数据情况又会是怎样。这些问题我们将在后面的章节进行探讨。

从国际视角看，海外量化基金中量化多头策略并不鲜见，但更多依托于成熟的资本市场环境和丰富的资产类别选择。美国市场的量化私募中，常见的策略形式包括量化对冲基金、指数增强基金和量化多头基金。量化对冲基金通过多空头寸平衡实现市场中性的收益；指数增强基金以特定指数为基准，通过精细化选股增强投资回报；量化多头基金则类似国内“空气指增”，摆脱指数约束，追求绝对收益。从产品结构看，海外市场更注重策略多样性和因子模型的长期有效性。

总体而言，无论是国内还是海外，量化多头产品的兴起反映了投资者对风险管理与收益稳定性需求的不断提升。国内私募需在参考海外经验的同时，结合本地市场的特性进一步优化策略，从而在这一快速增长的领域占据更大优势。

二、量化多头——对于赛道约束的抗争

本文我们主要想把量化多头产品作为探讨的核心。前面我们讲了从产品形式上的演进。接下来我们选取了2022年3月4日至2024年11月28日期间的量化多头私募基金业务，看看量化多头私募管理人的全貌。时间选取上我们尽可能囊括了主流私募管理人的量化多头业绩。对比如下：

时间区间：20220304-20241128

2022年以来，各私募基金的收益率分化明显，其中最高收益率为SX，达到75.2%，而最低收益率为LJ，录得24.7%。大部分基金在收益表现上维持在40%-60%之间，显示出一定的市场适应能力。但值得注意的是，尽管收益率较高，不少基金最大回撤超过20%，如LJ、MH等，反映出这些基金在追求高收益的同时承受了较高的波动风险。从年化波动率和夏普比率来看，管理规模较大的基金并不一定具有更优的风险调整后收益。对比各家私募管理人全市场选股的业绩表现，SX和KD2022年以来收益率超过70%，calmar分别高达3.1和1.7。周度胜率大体维持在50-60%之间。

三、从指数增强看量化多头——对于残差预测的执着

量化多头作为一款贝塔型产品，相比指数增强产品放宽了风格约束，没有了对比的指数。尽管如此大部分的量化多头产品也会存在对比的benchmark，风格约束相应会放宽。这也是部分私募管理人产品间出现持续性差异的一个显著的原因。

那么对于量化多头产品要分为两个方面来看待超额收益率了。一方面是经典的对于残差的预测，另一方面则是对于风格的预测或者有的因为benchmark不同的持续性的风格偏好。本章我们将重点探讨与指数增强产品产品相对应的对于残差的预测。应该这么说在500、1000赛道里残差预测能力应该是一款量化多头产品的残差预测的业绩保证。

我们对于全市场选股收益和同家指数增强产品超额夏普进行倒序排名，计算出指数增强产品得分排名减去全市场选股产品得分出上图。

那些显著得分有巨大差别的管理人量化多头产品表现就不能以残差波动去解释了。分为两个聚类分别是量化多头明显好于指数增强的SX、TY、MS以及指数增强明显好于量化多头的JK、PFH。产生这个差异有可能有两个原因，第一个原因是指数增强产品和量化多头产品跑的不是同一套模型，第二个原因就是在风格，基于风格的预测或者因为benchmark而来的持续暴露。

我们对于1000指数增强产品和量化多头产品进行相关性分析发现PFH显著的不一样。SJQY是在对标500指数的基础上，约束比500指增松一些。而XK的全市场选股策略对标的是偏红利价值风格的指数。所以虽然都叫全市场选股策略，但大家对标的指数不一样，就会天然的有风格偏差。

四、最性感的部分——对于风格的学习

在展示了量化多头的结果，到从残差角度看对于量化多头产品的支撑，最终我们走到了最后一个很感兴趣的大家对于风格的学习部分。只是这一部分我们会看到有些是对于风格的持续性的偏好 price in他们的benchmark，对于这一部分的东西我们知道就好。另外一类则是灵活的跟踪风格进行变化，这也许会是最性感的部分。接下来我们从结果部分进行阐述。

1、风格的持续——多元回归

我们进一步将各家管理人和十类风格因子做多元回归，以更精确的刻画各家风格的不同。

首先看到回归结果中的残差，TY、XY、XK、KD都是表现靠前的只有SX的残差为负，这一点可以部分印证为什么SX的指增表现不佳。

再从因子回归数据上看，所有管理人对于beta因子都是显著的，且beta因子系数在十类因子中最大。只有SX的流动性因子系数＞残差波动因子系数＞beta因子系数。

用回归所得的十类因子系数生成分布图，从图形上看和大家迥然不同的是SX。其他几家私募分布大致图形比较相似，在这些相似当中MH又会和大家略有些差异。

Barra因子回归系数分布图

2、风格的动态学习——单因子滚动回归

上面一个部分是作为近3年的风格稳定偏好。如果细看针对针对风格的时间序列调整，我们做了对于单个风格因子做滚动回归，从中能看出各家管理人对于风格因子变化的学习能力。以下两张图调出两个显著的单因子大家回归系数的变化如下：

看过去一段时间回归系数对于风格因子表现是不是有预测能力，我们将各个私募对于十个风格因子滚动归因的数据和同时期的barra因子收益率求区间相关系数。再考虑区间内风格因子年化收益绝对值排序主要表现因子，把因子收益本身正负号成衣相关系数得出下图。测量各家相对对于表现好坏风格因子的学习能力，计算平均值和标准差如下：

平均值越大代表着学习风格因子学习效果越好，标准差越大则代表不同风格因子学习能力相差越大。

学习能力比较有突出的KD、MH、MS，比较有特点是SX。

3、极端测试——风格因子反转的切片数据

上图为2022年至今barra因子的变化，很明显市值因子和beta因子是区间内变化最大的两类因子。为了观察在极端风格反转的时候各家管理人对于市场风格的学习能力，我们对barra因子取二阶导得到下面风格因子反转的散点图。比较偏离的点为某类barra因子出现大幅度反转的情况。我们分别取落在（-0.001，-0.0008）和（0.0008，0.001）间的点，得到每个点对应的时间切片，进而观察各家管理人在某类barra因子出现大幅反转时的业绩表现，以及他们对于风格反转的学习能力，进而验证上述的观点。

从上述区间内可以得到22个最分散的点，对应22个因子大幅反转时的时间切片。将各家管理人的全市场选股在因子反转周期内的阶段收益率进行排序和打分，最终得到下图平均分。

从总平均分来看，MH、MS、XM表现较好。MH不论是在市值因子还是贝塔因子极度反转时都有排名靠前的表现，验证了其较强的学习能力；MS和XM在贝塔因子反转时表现得更好些。

表现在第二梯队的有LJ、PFH、MY、SJQY和XY。LJ在beta因子反转时表现较好，但在市值因子反转时得分较低，这里面有大部分是LJ在今年年初微盘股崩盘，被监管狙击这种非市场化的因素导致的。

WB的得分最低，主要是在beta因子反转时表现不好。

我们将因子反转的时间周期拉长些看，TY、MY、PFH、SX、WB、XY整体表现较好。在过去最长的一段时间内，市值因子向负向走阔，SX在区间内表现第一，这也解释了为什么他残差不佳且波动率高的情况下，全市场选股策略却表现得很好。TY、PFH以及MY不论是在市值还是beta反转的情况下，表现都较靠前。

综上，通过本文的梳理

首先从这近三年的量化多头的业绩来看SX、KD、TY、MY、MS、MH是量化多头业绩表现比较突出的管理人

其次从预测残差角度来看，指数增强业务也印证了KD、MH和MY的量化多头水平和能力。但是很奇怪的有较强残差预测能力的PFH、JK却没有表现出相对应的量化多头的业绩，以及在残差预测能力没有排在前面的SX、TY、MS却在量化多头产品上表现不错。

再次从风格因子学习角度看，因为benchmark持续的风格偏好可以解释JK和PFH。SX在风格因子rolling上表现出和其他私募风格迥然不一样的集中的学习。对于风格的滚动学习能力表现较好的是KD、MH和MS。另外在历次极端风格因子大幅反转的时候以上私募也是学习极端风格反转能力相对较强的。