周靖明：谢谢张总。前面也提到了2021年以来小盘风格确实很强，您觉得这波小盘风格占优背后的逻辑是什么？能不能给大家稍微分解。

张戈：我自己管的产品主要是一些偏小市值的宽基，我发现确实小市值和大市值的分化还是很大的。我们都经历过2018年的大熊市，接着2019、2020和2021年上半年来了一波大盘蓝筹和大盘白马的抱团股行情。其实过了一段以后，这种市值偏离的方向又反过来了，变成了现在这样一种情况，就是小市值风格持续占优，也挺极端的。它背后反映了什么呢？整个宏观经济、总量经济没有明显的亮点，没有持续动力的时候，大盘股指数或者市场整体的指数是很难拉起来的。因为指数点位的上升，对应就是真金白银的买入，以前大家觉得宏观经济比较好、GDP比较好，我们卖基金也卖得很好，整个流动性在不停地增强、资金不停地在进来，所以那个时候大盘股可能确实好。再加上我们的一些操作行为，基金经理可能有正反馈，大盘蓝筹股越好，新进来的钱越去买，这样正反馈就起来了。但现在从2021年以后基本上看不到这种环境了，因为增量、总量经济没有亮点的话很难有持续的增量资金进来。前面一轮的抱团也一定程度上透支了大盘蓝筹股或者白马股的投资价值，这种情况下就很难看到大盘指数有明显的上升。

张戈：我再补充一点，其实我也不觉得它会下跌，当我们去看从2021年四季度以来，整个大盘指数波动区间是非常小的。如果不是因为有一些地缘政治的外部冲击，其实整个大盘指数的波动已经是处于历史比较低的水平了。其实就是场内的筹码已经买完了，但他又出不去，又没有增量的资金来接替。那么，是不是在大票没有显著行情的时候，小票就会起来？我觉得还需要加一个条件，就是市场流动性是否充裕。大家每天都会接到很多放小额贷款的电话对吧？那说明市场流动性还是很高的，你跟那些人聊，发现利率一个月一个月地往下降，所以其实资金成本还是比较低的，整个市场的流动性还是有的。在这种情况下，第一就是有外部热点的板块，有局部的赚钱效益，那它很快就起来了，就像今年的AI，包括之前的新能源。很多时候都是有一些技术进步、技术迭代、创新的亮点，资金马上就追捧起来了，市场流动性好就会是这样。用数学上集合的观点来想就行，本来这些小市值指数就宽嘛，股票很多，这几个月这一坨概念炒起来了，过段时间歇了，然后过几个月另外一个概念又起来，这一波股票又起来了。就是这么层出不穷迭代起来了以后，从宏观的层面看，小市值的指数点位就会有可能阶梯性的上涨。我觉得未来就是这种生态：大盘股在一个低波动的小范围振幅里面不停地振，然后小市值股票，因为有热点概念、热点板块的刺激，有资金的局部的赚钱效应的不停地炒作，或者是流入流出，小市值股票指数慢慢处于一个我称之为比较长的斜向上的的通道里面。

周靖明：非常感谢张总为我们进行了这波小盘股行情的解读。小盘风格指数这种非常优异的Beta，无疑是诸多管理人将它选为指数增强产品基准的原因之一。您觉得这类小盘风格指数还有哪些优点使得他们比较适合作为指增产品的一个基准？

张戈：可能长期关注量化方向的投资者会有一定的感触。我举一个最简单的例子，首先把大家都放到一个量化增强的场景下，你会发现这个成分股越少、权重越集中的指数，越是不好增强，尤其是不好量化增强。而指数越宽、成分越多、行业分布越均匀，这种其实是比较好增强的。历史的数据证明，上证50和沪深300增强，Alpha在中长期的平均水平一定小于500增强、1000增强。为什么呢？做量化的都知道，超额收益其实是高正相关于基准宽度的，宽度指的就是可选对象的多少。通常来说小盘指数像中证1000、国证2000，刚好契合上了。所以我觉得像1000、2000这种，它适合做指数增强产品的基准，有一点就是它宽度很宽，样本池非常宽会带来很多的好处。第一就是不容易受极端行情的冲击，因为有极端性行情的话往往对阿尔法策略造成负向冲击。我们回忆一下在2014年底的时候， 金融地产抱团的时候，很多量化产品根本跑不赢基准。但是如果这个池子很宽、行业又不集中的话，就很难出现这种集中效应，超额收益的稳定性就会非常好。第二就是样本宽了以后超额收益的显著性也会比较好。假设有一个指数只有50个票，这50个票每天的走势大致相同，同涨同跌，涨跌幅也差不多。这种情况下如果只在样本内选股就没有超额收益，因为不能通过超配低配和收益差来产生Alpha。但是如果池子大了，有各种热点事件、政策、外部环境的冲击，这个大池子里面总有一段时间猛涨起来然后一段时间又暴跌下去的股票。这两种情况下大概率就会产生丰富的错误定价的机会。有了这种错误定价的机会，量化模型就能大显身手了，因为量化模型对宽度的把握是非常够的。肉眼跟不住1000个股票但是量化模型可以用它的数据去扫描这1000个股票的特征，他会发现这1000个股票里面有一些股票高估了，有一些股票低估了。然后再通过前面讲的这种优化算法去把权重算出来，让我们去低配高估的，超配低估的。经过一段时间的酝酿以后这个错误定价消失了、股价回归了，这时候就会带来很好的超额收益，在1000和2000里面这样的机会特别多。如果一个产品每年增强两个点，稍微一波动可能增强的这个Alpha就没了，或者变负Alpha了，这种其实就没有特别显著的超额。但是如果一个指数每年都超额6个点、8个点，累计下来三年超额了这个二三十个点，那不是就明显地增强嘛？1000、2000这种指数就具备这样的特点，能够给你提供一片错误定价的沃土，让Alpha能够相对比较显著。所以我也觉得这种特质让1000、2000成为比较适合拿来作为指数增强的基准。

周靖明：谢谢张总。天弘基金旗下有多款增强产品业绩非常亮眼。请张总也介绍一下天弘指增的策略框架，以及有哪些特色？

张戈：我作为团队的一员感觉非常骄傲，很有动力。有一天我们在一个内部会上，发现把每个基金公司的公开数据、量化团队、量化指增产品拉出来，我们团队是上半年唯二的所有指数增强产品全部正收益的团队。我们部门产品线还是挺全的，行业指增、宽基指增都布得比较多，还有场内的指增就是ETF指增。我管理大概10个产品左右，我们部门全部的指数增强产品收益都是正，我觉得这个点还是做得非常好，给我自己很大的鼓励。

张戈：我们团队的平台和整个天弘量化策略框架还是有一些特点的。我相信大家听多因子都听腻了，从2015年以来，大家不停地挖基本面数据、量价数据，包括后来一些一致预期的数据，这些我们部门都有，但是发现这些因子、数据其实在过去的数个季度表现并没有那么好。相反，我们部门自己尝试的一些高频数据、基于机器学习挖出来的因子，在上半年发挥了很大的作用。选股的显著性非常好，这是第一。因为天弘背靠蚂蚁，互联网的根底还是在的，整个技术根基非常强。所以我们的一些高频、机器学习的策略还是有自己的特色的。

张戈：第二点可以换一个角度来讲，我们去买一个量化产品或者评价一个量化产品，很重要的一点是它的回撤。一个产品最大回撤是多少？从最大回撤坑里爬出来消耗的天数是多少？这个是我自己比较看重的一些参数，我在这一块的把控会比较严。举个例子，我们部门平台上有一个因子库，所有的基金经理和研究员都可以接进去做自己的策略，我们会把这个库分成好几大类。前面我讲的基本面、盈利质量类、成长类都是老生常谈了。你会发现在某一段时间永远可以发现只用一两个大类因子就会跑出一条非常好的业绩曲线。但是代价是什么呢？就是可能在某一段时间它会有巨大的回撤，或者是长期没有Alpha。我们最后选择的路线是什么？还是一条偏“中庸”，比较中庸之道的感觉。这个是我们部门的一个风格，就是我们一些中性的把控，包括因子赋权的精细处理。

张戈：第三点是我们部门和传统的指数基金、ETF、行业指数基金这种被动指数基金的业务结合得很好，可以产生1+1大于2的效果。为什么会这样？我们部门有独立的主动研究员，这些主动研究员跟行业跟得很紧。因为我们有很多行业指数产品，他们会做行业基本面的分析，会有一些自下而上的分析结论和方法论。主动投资的工具、方法论，我们现在把它结合起来，也会从自下而上、赛道、细分领域，让主动研究员去做打分的尝试。他们打完分以后，我们会通过一些系统性算法和系统把他们主动打分的结果转化成一个量化的优化器，一句话总结下来，就是我们做了一个主观因子，这个主观因子是由我们部门所有的主观研究员，通过自己开发的系统、自己定义的打分规则，给我们量化基金经理赋能，这个是一个很大的特色。举个例子，2023年1月到6月的新能源行情其实里面分化非常大、节奏非常鲜明。从今年1-2月开始先是新能源车和储能走势非常好，然后切到了光伏上，大概到四五月份的时候，其实光伏表现十分好，然后五六月份又切到了风上，储能是一直都好，大概有这么这么个规律。这个规律对于看新能源的研究员来说是能把握的，不管买方、卖方。但是这个节奏我自己认为是没有办法用量化的方法去把握。主动研究是能把握的，可以通过行业景气度、包括一些市场预期的感知、资金面筹码分布，能得出一个判断，然后把握住这个结论。我们通过自己研发的系统，让他把细分领域的这些观点落实到他覆盖的票上，最后就产生了Alpha，这是一个很好的实践。这套体系我们也磨合了很久，整个团队层面上、部门层面上的赋能还是很显著的，这也是我们的这个特色之一。

周靖明：非常感谢张总的详细介绍。接下来问一个更细节的问题，咱们这个Alpha模型中，量价因子和基本面因子的比重大概是多少？比重会动态调节吗？还是会相对固定？

张戈：这个比重是动态的。其实是大类因子的加权，这个加权是有算法，然后动态每一期去算。大概思路有点像因子的ICIR，其实就是把大类因子也想办法集成一个因子，然后就算这几个集成因子的ICIR，再去扣除它的相关做正交，最后就得到权重。今年来看，我觉得基本面因子的权重在减小，刚才讲的这套算法其实有点动量在，如果一类因子一直跑得好，它的权重会变大。我觉得从2022年底到现在，基本面因子的效果其实是不太好的，所以它的权重就慢慢地在变小，可能去年底的时候有百分之三四十是基本面因子的权重，到现在可能就只有百分之二十多了。量价因子就相对比较笼统，如果把传统量价、高频量价、机器学习都认为是量价的话，他们的占比可能占到大概百分之六七十，以前的那些低频量价可能百分之二三十。我强行地限制了机器学习因子大概是在百分之二十，因为我们的机器学习因子基本上还是来自于量价。我目前感觉其实今年量价一直还是算跑得比较好的，7月以前大部分的量价因子累计IC曲线都是不断在新高，我估计短期可能还是这样一种配置。

周靖明：这轮AI浪潮一定程度上加速了量化投资方法的革新，越来越多的量化投资策略中开始用到了机器学习、深度学习等方法。您如何看待这一个趋势？您觉得小盘风格指数的股票池里面是否更适合去做一些机器学习，包括深度学习相关的策略？

张戈：我觉得趋势上机器学习和深度学习在量化里面的渗透越来越强，未来肯定也是越来越强，这个趋势我觉得没有什么争议。我们以前线性回归、支持向量机已经是所谓的机器学习算法实践。只是现在我们有了更好的工具，有GPU、更好的数据存储工具以后，很多深度算法能够实现，我们又有高频数据，各种条件天时地利人和凑起来。这样整个AI和深度学习对量化的渗透大幅度提高，这个趋势在未来肯定还会继续下去。据我了解，头两年私募量化收益率非常高，量级都跟公募的不一样，可能今年这个趋势在收窄。以前这些私募它能做出这么好收益也是机器学习算法起到很好的作用。我就产生了一个想法，AI技术的优势，它在资本市场上盈利的支撑性，我觉得是一个曲折的过程。永远都会有一段时间，可能有几个月有一个算法明显占优，但是过了几个月以后这个算法会衰减，跟因子一样。我觉得到技术层面也是一样的。因为我很早之前看的那个私募做增强做的很高，我就在想到底怎么样才能打败他们？后来我就想得反其道而行之，就是在量化的基础上有一些主动的思维，包括用一些主动的信息，然后用低频的东西去改良高频的东西，反而能够打败那些极致高频、极致深度学习的策略，我觉得这可能也是一个思路。比如说我挺喜欢看一些有预期差的东西，这就是纯主动思维，但是我们用量化的工具去把这个思维落地下来，落到自己的投资组合里，我觉得这可能是一个未来的趋势。小盘股的股票池肯定是很适合做机器学习相关策略的。大盘的池子因为走势的相关性会更高、分化度没有那么大，所以特征肯定就没有小盘股显著。第二点就是机器学习强在哪里？强在算力。你花了很大的成本去弄算力，换来的产出是可以覆盖很多的票，小盘股票多。在这个逻辑上讲，应该在小盘股这个域里面给你带来更好的收入。小盘的股票池其实更适合机器学习算法。

周靖明：请张总也简要的介绍一下您管理的产品情况以及特色？

张戈：首先我自己管理产品的定位是小市值成长的宽基增强。这里面一个有特色的点在于我有一个场内的ETF增强产品，对于我们部门来讲还是挺创新的。我们自己在内部的工作流程上做了很多优化，运作这个场内增强ETF效率会更高，这些其实不一定能够直观的让投资者看到。我们部门编码能力很强、系统化程度很高，很多东西效率非常高。像我的1000增强ETF就深受其利，但现在规模还比较小，作为场内产品我们还是有一些压力、有诉求希望规模做大一点，目前超额收益比较显著，而且超额收益稳定性也还可以。第二就是2000增强，我强烈推荐。我认为2000增强的重点在于“指数”这两个字，我是强烈看好小盘股甚至微盘股的，大概从去年底到今年一季度，微盘股指数声名鹊起。大的逻辑就前面讲的，这轮AI行情不就 GPT 炒出来的？但其实大家去看GPT这个东西也没有那么新。A 股大概在春节以后整个AI就爆发了，但其实最早去年12月份就有卖方给大家详细介绍GPT了。但那个时候股价没有反映，过了三个月AI行情才引爆。其实很多时候市场流动性好，但是总量看不到大机会，他就会找一个出口，这个出口可能就是2月份的GPT，到未来就变成ABC，然后再过一段时间CDE，他总会找一个出口。在这种情况下，像2000这种小市值指数，很容易就会沾上这些东西，成为资金追逐的焦点。在这里也是比较推荐2000的指数增强，我觉得它的Beta在可见时间范围内还是比较好的。最后就是创业板增强，创业板其实是跌了最多的指数之一，可能短期没有那么强Beta，但是整个周期的角度来看它已经处于底部了。目前比较推荐的还是几个偏小市值的产品。

周靖明：最后请张总帮我们展望一下对后续小盘风格的投资观点。

张戈：在总量行情没有机会、总量经济也没有恢复那么好的情况下，考虑到市场流动性、市场博弈的生态，我比较推荐小盘股和微盘股风格，谢谢！

周靖明：非常感谢张总的精彩分享！