特邀嘉宾：药晓东博士，长城财富保险资管基金投资部总经理。 
发言实录：
大家好！感谢开源金融工程团队魏博士的邀请！很荣幸跟大家做一个交流，我今天的发言标题是：保险资管视角的权益基金配置思路。 第一点，追求高收益是核心需求，但在此之前，我们必须明确我们所面临的约束（参见下图）。所以，这个框里面最关键的考虑并非收益目标有多高，而是此时此刻我们面临的收益和风险。长期来看，我们面临的风险约束是较强的。因此，我的思考都是从防守的角度出发，这是分享的起点。
第二点是在这个约束下，我们应该考虑如何确保风险不被突破，是靠工具还是个人能力？因为情况时刻在变化，一家公司可能涉及多类资产，风险也随之变化。比如，某家公司的非标资产近期出现风险，带来重大负担，这时可能需要大量调整风险预算模型和资产结构，工具可能无法及时更新，而人脑可以即时掌握情况，进行判断。第三点是很多人选择将资产委外管理，这是一个不错的选择，因为有许多管理机构拥有强大的管理能力。但是，当发生风险事件时，你很难第一时间将困难传达给他们。在他们理解困难之前，没有办法在风险约束下做相应的调整。在这种情况下，他们很难达到预期收益目标。另一种情况并非风险事件，而是与产品或资产相关的收益约束。比如，我们的万能险账户里，不同账户的结算利率不同，这些信息无法告诉我的委外投资人。
所有这些判断最核心的还是以人为主，然后再辅以各种工具，无论是量化的还是传统的，或是借助外部指数或主动型基金。当然，这种主动投资方法在大家使用的办法基本上都差不多，但有一些因素我们可以比较积极地掌握或准确把握。总体来说，例如我自己一般使用一百多个因子，但是作为普通人只深入了解二三十个因子，了解因子历史，但还有许多因子会被遗忘。这种情况下就需要使用量化的工具。但是在使用量化工具解决这些问题之前，我们仍然要对某些较重要的因子进行判断，尤其是那些我们自己能够判断的。在整体大势研判中（参见下图），如果回溯贡献度，我们会发现美元指数、人民币汇率和无风险收益率等数据在排序中起到很重要的作用。这些因子我们做了一定的研究，发现判断的准确度和可信度都很高。前一段人民币兑美元汇率不断走贬，从我们的观察来看，年初时易纲行长有提到保持今年汇率的稳定，这句话在我们脑中形成了记忆。接下来发生了这种情况，我们可以判断这个事件接近于不稳定状态。在过去，每次汇率波动时，大银行和智库通常会提供各种报告，但这次没有这种现象，因此我们可以倒推，顶层或监管层对这个情况是持欢迎态度的，也许这就是他们的策略。结果就是人民币汇率在耶伦来访前后企稳，我们注意到这正好是一个策略，我们当时根据汇率做了相应的资产配置，这对我们帮助很大。除此之外，还包括GDP的情况。GDP今年完成度还是比较好的，现在累计目标已经达到5.3%。因此我们判断今年不会采取大力度的刺激和放水政策，尽管在3月和4月我们看到了一些消费修复不及预期。
虽然这样的问题我们不需要利用工具进行判断，但仍然有很多问题需要量化工具辅助。比如之前提到的，在3月和4月发现消费不好，但很难预测到5月和6月汽车销售会这么好，和今年青年失业率偏高，但是出行链仍然不错。这样的情况我们该如何决策呢？很困难。因此在后面我们大量使用了量化模型，对这些因素进行了排布和预测。接下来谈到中观行业（参见下图），因为FOF的工作需要配被动工具或者主动产品。被动工具的策略很清楚，基金经理在推出产品时，会清楚地阐述策略思考过程，对于它的刻画相对来说是非常准确的。在进行主动配置时，我们需要清楚自己的能力边界。最重要的是判断自己对这个行业的了解是否能超过市场中位数。判断超过市场中位数的基本原则是能准确地判断分析师水平高低。因此，我们对此进行了刻画，将一些行业列入我们公司的能力圈，例如交运、公用事业和周期品等。结合公司的平台资源和我自己的研究经历，我对国际情况和周期品非常了解，他们跟我讲的问题细节我都能理解，知道他们的逻辑是怎么样的。但有很多你无法掌握的因素。例如，我没有研究过医药行业，因此我只能依赖卖方分析师和买方基金经理。他们给我提供了很多值得借鉴的方法，有的基金经理告诉我，在过去的十几年中，CXO和创新药行业的产业投资已经繁荣十几年，任何行业繁荣十几年都不短。现在的阶段，美债收益率降低，可能会出现反弹，是否真的可以预期新一轮牛市的到来，这是值得怀疑的。这并不在我的能力范围内，我只能尝试进行分析。
对于农业，我大致了解市场上参与生猪投资的人是谁，他们是如何思考的。如果有人用通胀逻辑向你解释，可能他刚刚入门。如果他讨论仔猪价格问题、疾病问题，你可以知道他的水平在中等以上。如果有人讨论母猪的存栏和繁殖能力，你可以知道他的水平在中位数左右。如果有人进一步从博弈的角度分析，我认为他至少经历过一到两个周期。如果某个基金经理的投资逻辑和你认为的中位数以上的标准不匹配，那么问题可能超出了他的能力范围，即使他声称他进行过研究。
对于TMT行业，我在与基金经理交流时，发现他们关注的视角是不同的。有的基金经理可能认为TMT行业的时机还早，因为三星砍单，存储砍单，所以处于周期低谷，会多次探底。但是作为投资者，必须详细了解每一个子板块的情况。如对于内存颗粒，技术迭代慢，参与者少只有三星、海力士和镁光，历史上价格涨起来很快，跌去也很快。对于周期性略弱的SSD板块，有大约近十家公司参与，其中七八家是全球龙头企业，技术演进速度比内存颗粒略快，板块格局比内存颗粒略复杂，目前这个板块处于周期底部。对于模拟板块，比如IGBT，尽管国内参与公司很多且水平不齐，但德州仪器（TI）扩产，显示该产业处于上升期，背后还有ROE逻辑。像TI这样的生产商，它在用20年前的老设备，ROE之所以高，是因为现在的成本都已经摊销了，所以它也处在景气周期之上。现在的AI推动了高阶存储，如HBM（高带宽内存），也带动了显存周期。其后再把利基市场都分析清楚。在风险约束下，能够承受住10个点或者20个点波动，那将迎来的可能是三倍或者四倍的Calmar。
再来看航空业，不同的人阐述了不同的观点。有人说，航空业每年的收入大约200多亿，这是事实。但是，也有基金经理提出了不同的逻辑，他说真正的供应并不是飞机的数量，而是你拥有的时刻。再加上有人说，其实原来大家讨论的是一个价格上限模式，价格并未开放。但是现在，从第一季度开始，许多航空公司的航班价格已经不允许打折，而且还要变相的提价。所以，在这个视角下，有很多东西需要重新思考和调整。
在我们进行主观投资时，我们会采用一种方法，那就是回顾历史。我们并不知道未来会如何，但我们可以参照历史，看历史事件发生后会发生什么。当事件发生后，我们会按照事情的发展，这个方法可以很容易地把数据输入进去，做出相应的标注，分析出事件的因素。这可以帮助你进行投资判断，把传统的历史学习法转化为一种量化思维。但是问题在于，事件太多，人脑处理这些信息是比较困难的，除非你在这个领域得到了充分的训练，你才能知道哪些是主要的，哪些是次要的。接下来介绍量化模型（参见下图），我们有大量的量化模型在运行，包括最顶层的大类资产配置，和权益基金的配置。GBDT模型主要进行一种逻辑分类，它最大的优点就是判断风险、预期收益率的高低状态，几乎就是二分类。
另外，量化还解决很多辅助问题。大家知道即使在进攻的时候，要看清前面是喜马拉雅山，还是只是500米的小山丘，这对于潜在收益率是不一样的。在这个时候，我们就利用其他的一些方法，如长短记忆（LSTM）等去进行研究。这就涉及到步长带来的时滞问题，那么这个时候，我们就需要进行一种多输出策略的分析，因为不同的输出策略会导致你对结果的判断不同。最后，我们还利用了GRU链接NN，因为宏观变量频率不同。为了解决这个问题，我们保持月度数据和日度数据在各自的频率上，通过集成不同的模型，来保证频率的一致性，这些工具在择时和风险判断的角度上非常有用。我们还使用了多因子方法（MFM），迁移到指数投资和行业投资中。在硬件环境方面，我们的设置相对简单且不昂贵。我们使用了四块3090显卡，以及TPU加速。还有公司内部原有的CPU服务器，我们共有15块CPU片子和200GB多的内存，这对于运行一个中小的模型已经足够了。我们还使用了云端的TensorFlow等工具，因为它们的灵活性使我们能够及时尝试新的算法，而无需在本地进行部署。这样基本上就能满足我们的使用需求。
接下来，就可以进行资产配置，我们虽然可以用量化方法进行精细的仓位控制和判断，包括行业选择，但是为了领导决策时有一定的灵活性，以满足不同领导的需求，我们对输出结论进行钝化，把结论设置成一个范围之内。我们相信将工作交给能够执行的人，而不过多地介入。
对于配置公募基金这个话题。首先，公募基金需要考虑险资有哪些约束条件，每家保险公司都有资金制度和约束条件。根据偿付能力的不同，公司可以配置不同比例的权益型基金。偿付能力较高的公司可以更多地配置权益型基金，而偿付能力较差的公司则受到一定的限制。此外，每家公司都会对产品进行归因分析等规范性的流程，以确保合规性。
其次，我认为个人之间的交流和建立信任对于产品配置非常重要。不同领导者有不同的要求和偏好，例如有的领导喜欢年轻的基金经理，对多个行业有丰富的经验，或者喜欢交流等。在我的经验中，我更倾向于与那些我交流过的、坦诚、善于分享投资经验的人合作，这样更有信心将资金配置给他们。有些基金经理可能并不擅长表达自己，但他们对行业的理解和掌握非常深刻。
此外，我认为内心的平静和信任在投资中非常重要。我想分享一个小故事，讲述了达摩祖师和惠可的故事。很早以前，惠可来到少林寺，站在洞外等待多日，风雪不断。达摩祖师问他为何久处风雪之中，惠可坦诚地回答，他想学习真正的法则和智慧。达摩祖师指出求法难行能行，非忍而忍。这个故事传达的思想是，当我们过度追求和努力时，可能只得到结果，而失去了内心的安宁。通过放下过度追求的心态，我们能够获得内心的平静和投资的快乐。最后把一句经典“有道者得，无心者通”送给各位。有道者得，愿各位能与他人进行积极的交流和沟通，进而得到自己所追求的目标。无心者通，在从容心态里迎接纷繁事务，最后静享投资的奥妙和快乐。风险提示：上述内容和意见仅作为客户服务信息，并非为投资者提供对市场走势、个股和基金进行投资决策的参考。本公司对这些信息的完整性和准确性不作任何保证，也不保证有关观点或分析判断不发生变化或更新，不代表本公司或者其他关联机构的正式观点。历史业绩不代表未来收益，基金投资需谨慎。做「开源」的量化研究
to be a quant，to be open-minded.
更多交流，欢迎联系：
开源证券金融工程团队 | 魏建榕 张翔 傅开波 高鹏 苏俊豪 胡亮勇 王志豪 盛少成 苏良 何申昊 陈威 蒋韬
开源证券金融工程团队，致力于提供「原创、深度、讲逻辑、可验证」的量化研究。团队负责人：魏建榕，开源证券研究所副所长、金融工程首席分析师、金融产品研究中心负责人，复旦大学理论物理学博士，浙江大学金融硕士校外导师、复旦大学金融专硕校外导师。专注量化投资研究10余年，在实证行为金融学、市场微观结构等研究领域取得了多项原创性成果，在国际学术期刊发表论文7篇。系列代表研报《开源量化评论》、《市场微观结构》、《开源基金研究》，在业内有强烈反响。2016年获新财富最佳分析师第6名、金牛奖分析师第5名、水晶球分析师第6名、第一财经最佳分析师第5名；2022年获金牛奖最佳金融工程分析师、Wind最佳路演分析师。团队成员：魏建榕/张翔/傅开波/高鹏/苏俊豪/胡亮勇/王志豪/盛少成/苏良/何申昊/陈威/蒋韬。
开源证券股份有限公司是经中国证监会批准设立的证券经营机构，具备证券投资咨询业务资格。
本报告仅供开源证券股份有限公司（以下简称“本公司”）的客户使用。本公司不会因接收人收到本报告而视其为客户。本报告是发送给开源证券客户的，属于商业秘密材料，只有开源证券客户才能参考或使用，如接收人并非开源证券客户，请及时退回并删除。
本报告是基于本公司认为可靠的已公开信息，但本公司不保证该等信息的准确性或完整性。本报告所载的资料、工具、意见及推测只提供给客户作参考之用，并非作为或被视为出售或购买证券或其他金融工具的邀请或向人做出邀请。本报告所载的资料、意见及推测仅反映本公司于发布本报告当日的判断，本报告所指的证券或投资标的的价格、价值及投资收入可能会波动。在不同时期，本公司可发出与本报告所载资料、意见及推测不一致的报告。客户应当考虑到本公司可能存在可能影响本报告客观性的利益冲突，不应视本报告为做出投资决策的唯一因素。本报告中所指的投资及服务可能不适合个别客户，不构成客户私人咨询建议。本公司未确保本报告充分考虑到个别客户特殊的投资目标、财务状况或需要。本公司建议客户应考虑本报告的任何意见或建议是否符合其特定状况，以及（若有必要）咨询独立投资顾问。在任何情况下，本报告中的信息或所表述的意见并不构成对任何人的投资建议。在任何情况下，本公司不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任。若本报告的接收人非本公司的客户，应在基于本报告做出任何投资决定或就本报告要求任何解释前咨询独立投资顾问。
本报告可能附带其它网站的地址或超级链接，对于可能涉及的开源证券网站以外的地址或超级链接，开源证券不对其内容负责。本报告提供这些地址或超级链接的目的纯粹是为了客户使用方便，链接网站的内容不构成本报告的任何部分，客户需自行承担浏览这些网站的费用或风险。
开源证券在法律允许的情况下可参与、投资或持有本报告涉及的证券或进行证券交易，或向本报告涉及的公司提供或争取提供包括投资银行业务在内的服务或业务支持。开源证券可能与本报告涉及的公司之间存在业务关系，并无需事先或在获得业务关系后通知客户。
本报告的版权归本公司所有。本公司对本报告保留一切权利。除非另有书面显示，否则本报告中的所有材料的版权均属本公司。未经本公司事先书面授权，本报告的任何部分均不得以任何方式制作任何形式的拷贝、复印件或复制品，或再次分发给任何其他人，或以任何侵犯本公司版权的其他方式使用。所有本报告中使用的商标、服务标记及标记均为本公司的商标、服务标记及标记。
开源证券股份有限公司
地址：西安市高新区锦业路1号都市之门B座5层
邮编：710065
电话：029-88365835
传真：029-88365835
本篇文章来源于微信公众号: 建榕量化研究
本文链接：https://kxbaidu.com/post/%E8%8D%AF%E6%99%93%E4%B8%9C%EF%BC%9A%E4%BF%9D%E9%99%A9%E8%B5%84%E7%AE%A1%E8%A7%86%E8%A7%92%E7%9A%84%E6%9D%83%E7%9B%8A%E5%9F%BA%E9%87%91%E9%85%8D%E7%BD%AE%E6%80%9D%E8%B7%AF.html 转载需授权！
