用第一性原理，跑贏科創綜指

　　炒股就看金麒麟分析師研報，權威，專業，及時，全面，助您挖掘潛力主題機會！

轉自：EarlETF

「一隻科創綜指量化指增基金，和傳統指增基金有什麼不同?」，這是我最近問博道基金量化投資總監楊夢的一個問題。

作為 EarlETF 的老朋友，以博道遠航打響業內知名度的楊夢，最近要發行博道科創綜指增強基金(C類023902)，所以我好奇的是這隻基金和以往的指增有什麼不同。

不過在為這款新產品路演時，楊夢並未強調這款指增產品的策略差異。令人驚喜的是，楊夢用非常多的篇幅，用「第一性」的視角——是的，就是那個被馬斯克一直奉行的思維方式，去解釋應該如何迭代量化策略。

聽完楊夢的「第一性」思考，當時讓我對她的這隻新產品更有信心了。

迭代的意義

知道楊夢，相信許多人是從博道遠航(007126)開始的。這隻跟蹤萬得偏股混合型基金指數(885001)並以指增形式運作的偏股混合型基金，也是筆者每年末更新的 EarlONE 清單中的一員。

下圖是 2023 年迄今，博道遠航相對萬得偏股混合型基金指數的超額收益走勢，蜿蜒向上的超額曲線，煞是好看。

當然，博道遠航自 2021 年開始嘗試追蹤萬得偏股混合型基金指數，並非一帆風順，至少 2022 年，並算不上特別出挑。

但正如我以前在談及量化基金時很強調的：量化基金經理不斷迭代，以適應市場的能力至關重要。

在這次路演中，楊夢以博道遠航為範本，覆盤了一路上在量化投資策略上的幾次迭代。下圖是筆者整理后做的一個示意圖，主要是兩大迭代：❶ AI 全流程；❷ AI 賦能后的新風控。

站在第一性原理之上

在這次路演上，楊夢提到了一個詞——「第一性」。她表示，這些年的迭代，正是基於這一思路推進的。

所謂"第一性原理"（First Principles Thinking），源於物理學，是一種迴歸事物最基本構成，從零開始構建解決方案的思維方式。與之相對的是類比思維——參照已有方案進行改良。在日趨內卷的量化投資領域，后者只能帶來邊際改進，而前者則有可能實現質的飛躍。

談及「第一性原理」，最著名的推崇者，無疑是馬斯克。比如他在推動 Space-X火箭項目時，利用第一性原理，做了很多顛覆的嘗試。

在傳統航天領域，火箭製造成本高昂，人們普遍認為這是行業標準，難以改變。然而，馬斯克運用第一性原理重新審視這一問題。他沒有被「火箭就是貴」的觀念束縛，而是迴歸火箭的本質——一堆金屬材料。他發現，火箭的主要材料如航空級鋁合金、鈦、銅和碳纖維等，其市場價格並不像火箭成品價格那樣高不可攀。如果從原材料採購入手，直接購買這些基本材料，再自行加工組裝，成本會大幅降低。於是馬斯克選擇自己採購原材料，像購買普通鋼材一樣，按重量計算成本，再利用 SpaceX 自己的工程師和生產線進行加工製造。這樣一來，原本價格高昂的火箭部件，成本被大大壓縮，從而為 SpaceX 在航天領域贏得了成本優勢。

覆盤楊夢團隊這些年在量化策略的迭代，也正是站在「第一性原理」，不是沿着原有的路徑簡單改良，而是追問「為什麼」。

AI全流程：打破因子思維的桎梏

傳統量化投資，尤其是多因子模型，通常遵循一個典型路徑：構建因子庫→篩選因子→組合因子→信號生成→組合優化。這一路徑根植於Fama-French三因子模型等經典理論，已成為行業標準範式。

但楊夢團隊不滿足於在已有範式上精雕細琢。她提出一個更根本的問題：預測股票收益的本質是什麼？是找到幾個預設的「因子」嗎？還是從更基礎的原始數據中，直接識別能預測未來收益的複雜模式？

所以早在2019 年，博道基金的量化團隊就開始進行AI量價因子的研究，緊跟私募界轉向AI的趨勢。在公募領域，這應該算比較早的嘗試，也為博道佔到了先機。到了 2023 年，博道啟動「AI全流程框架」多因子模型的研發。這標誌着從僅用AI輔助生成因子，轉向構建一個由AI主導信息處理流程的獨立、並行框架。

「我們開發了AI全流程框架，整個過程就沒有人工定義的因子了。」楊夢在採訪中坦言，「它用的就是原始的數據，可能只是經過一些簡單的特徵工程的處理，然后通過這樣的一個較深的神經網絡模型，直接給出來端到端的最終預測。」

這一思路徹底打破了傳統因子框架的限制，具有三大突破意義：

一是解放了信息提取能力。傳統因子框架中，大量有價值的信息被人為篩選過濾掉，而AI全流程能夠從更原始、更豐富的數據中提取深層次信息，捕捉傳統因子難以發現的複雜非線性關係。

二是提高了模型適應性。神經網絡的靈活性使其能夠自動調整對不同市場周期的響應，而傳統因子模型則需要人工干預，容易滯后於市場變化。

三是創造了真正的差異化優勢。在眾多量化產品同質化嚴重的背景下，AI全流程框架從根本上區別於傳統方法，避開了「內卷區」，為超額收益開闢了新空間。

站在 2025 年的當下，這套全 AI 流程或許已經不新鮮了，畢竟哪怕公募基金也已經有許多的量化基金開始討論類似的「端到端」模型，但是博道基金能夠在 2 年前用上，並於 2023 年 Q2開始雙框架並行: 採用傳統框架與AI全流程框架各佔一半權重的模式進行投資，就意味着相比大多數競爭者的搶跑，而且量化領域，搶跑意味着信息差，意味着超額的來源。

當然，搶跑總有被追趕被追上的時候，這就要求量化基金經理能夠不斷與時俱進，不斷領先同業。進入 2024 年，楊夢的量化策略迭代，重心放到了風控上。

風險管理：控制風險而不是指標

投資的本質是風險管理。在指數增強這一「帶着鐐銬跳舞」的策略中，風險控制尤為關鍵。這里面又存在一個平衡：風控太緊，超額收益空間就有限；風控太松，超額收益的波動又會太大，楊夢團隊之前屬於是「中堅型」，適度偏離的情況下，最大化追求超額收益。

傳統上，這種控制主要通過設置跟蹤誤差上限、行業偏離約束、風格因子偏離約束等方式實現。然而，當面對2023年10月和2024年1月等極端行情時，楊夢團隊發現，即使收緊Barra風險模型的約束，也未能完全避免組合波動。

為何會出現這種情況？

楊夢基於第一性原理的思考給出了答案——需要從風控模型要達到的目的、底層原理出發，重新審視現有工具是否真的達到了目標。

其團隊於今年上線了自研的風控系統，在兩個層面實現了突破：

風險模型的重構。團隊利用AI技術重構了整個風險因子體系，對傳統風險因子進行「降維和提純」，找到更能解釋市場波動的潛在因子。這相當於重新定義了衡量風險的「基本單位」，使風險度量更加精準。

精細化風險控制。他們不再滿足於對風險因子暴露的「總量」控制，而是深入到其「內部構成」或「分佈」。楊夢舉例道：「同樣達到市值因子偏離0.3倍標準差的目標，可以通過買一個2000億的股票加一個50億的股票，也可以通過買一個1000億的股票加一個100億的股票實現。兩者在總量上相同，但風險特徵可能截然不同。」

這並不是我第一次聽到公募量化優秀的基金經理談及這個問題，不過不同的基金經理會有不同的選擇。某些或許並不介意這種總量與構成的偏差，甚至樂於「利用」，來實現比如更好的市值下沉。

但顯然，楊夢選擇的是控制回撤，控制風險，從而希望提升超額收益的季度和年度勝率。

為此，他們對優化器進行了「比較系統性的改造和重寫」，實現了對風險暴露分佈的精細化控制，大大提高了組合在極端情況下的穩定性。從結果上來看，超額收益的「勝率」更高了，而且，這種控制下，「賠率」還沒有下降。

這種對細節的極致追求，正是楊夢所強調的「工匠精神」——「量化投資的迭代，往往不是一蹴而就的顛覆性創新，而是點點滴滴的改進，都來自於對很多細節的第一性原理的思考和迭代。」 正如諺語所言：魔鬼藏在細節之中，量化投資的成功也藏在這些微小但關鍵的優化之中。

追求極致

回到今次將要發行的博道科創綜指增強基金，楊夢覺得對量化投資而言，其實並不是新的調整。

「我們這套傳統+AI多因子模型它本身會針對不同的基準有自適應的調整，所以不需要人工額外去做調整」，這是楊夢的自信。

作為博道遠航的持有人，其實我也更樂於見到楊夢這樣的回答。站在更宏觀的視角，楊夢團隊基於第一性原理對量化策略的不斷迭代，顯然遠比針對科創板做一些定製化的優化更重要——后者只能適用於科創板，而前者則是普適有效。

「量化投資的差異化並非來自表面的框架創新，而是源於對細節的極致追求。」楊夢在深度交流中坦言，傳統多因子框架下，各家機構「聽來聽去無非就是這點小細節那點小細節的差別」，卻恰恰是這些看似微小的差異，最終累積成了顯著的業績差距。

與主動投資面臨的AI挑戰不同，楊夢認為AI反而為量化投資開闢了差異化新空間：「AI方法論對於量化方式的引入是會讓我們做出差異化、做出非同質化的可能性空間反而加大了。」

正如製表大師對每一顆齒輪的精心打磨，楊夢團隊對投資流程的精細優化，最終匯聚成一臺運轉精準的「超額收益發動機」。這台發動機，即將在科創綜指的賽道上，為投資者開啟又一段穩健而精彩的旅程。