导读：
王星星从业的十年，恰好是国内量化投资快速发展的十年。
从券商研究所助理研究员到金工首席，再转型成为汇添富量化指数增强团队的基金经理，如今王星星迎来了最适合他的时代。
在海通证券近期公布的超额收益排名中，汇添富中证1000指数增强A近一年超额收益跻身同类产品前9%
（数据来源：《海通证券基金超额收益排行榜》，报告发布时间2025.02.05，数据统计区间2024.02.01-2025.01.27，同类产品指指数股票型基金，该基金排名为38/429）
。他的超额收益是怎么做到的，又为什么说这是最适合他的时代呢？
首先，是对超越量化模型的基本面理解。量化投资发展到今天，已经不再是一个神秘的“黑盒子”，各家资产管理公司的量化模型框架差异也没有那么大，形成差异的是底层收益来源的思维方式。做了十年量化投研的王星星发现，
量化投资的核心竞争力不再是建模能力，而是对市场的理解。
谁能更好的理解市场，谁就能大幅提高量化模型的“实验”胜率，最终转化为比较好的超额收益。
汇添富量化投资团队有着很强的主动选股基因。汇添富基金作为“选股专家”，积淀了大量的长期选股框架，借鉴主动权益的投资思想，通过多因子模型将基本面选股的逻辑刻画出来，能够形成量化投资中的独特竞争力。
其次，AI时代下的量化投资赋能。王星星很早就为AI时代的到来做准备，其间做了很多相关的研究。他认为AI的出现能够对多因子模型形成补充，捕捉到非线性的规律，并且大幅扩大文本信息分析的效率。本质上，AI能够扩张量化投资的广度，找到更多的错误定价来源。
汇添富量化投资团队也在AI策略有着多年积淀，早在5年多前就上线了AI类策略。在完成了AI技术从0到1的突破后，未来超额收益的差异更多来自精细化的管理能力。通过5年的策略运行，汇添富量化团队也形成了细节上的把握能力，避免了阿尔法的损耗。
最后，具有复利特征的长期土壤。一名基金经理的超额收益能力，和其所在的环境土壤息息相关。汇添富基金宽容和分享的文化，给王星星提供了稳定的策略运行环境。即便阶段性策略遇到困难，也很少受到外部因素干扰策略执行。
除了理解自己的竞争优势，王星星也深知长期避免错误的重要性。他提出，知道自己哪里不足，和了解自己的优势同等重要。在一些自己不擅长的领域，王星星会用被动化的方式来做，不在无效的地方内卷，把动作放在能带来超额收益的领域。
在指数基金大爆发的时代，长期能提供超额收益的指数增强会变得更具有吸引力。
近期，由王星星拟任基金经理的汇添富中证A500指数增强即将发行。
这对于希望投资新核心宽基的投资者来说，提供了一层额外的阿尔法收益。
以下，我们先分享一些来自王星星的投资“金句”：
1. 量化投资的本质是发现市场错误定价机会，通过数量化的方式把它刻画出来，并且加以利用
2. 量化投资的核心竞争力不是建模能力，而是对市场的认知
3. 良好的团队文化，能够避免策略执行上的损耗
4. 我们的投资决策应该来自长期的数据论证，而不是短期的主观臆想
5. 投资要战胜市场很难，但不跑输市场没有那么难，避免情绪带来的错误决策，是很重要的部分
6. 知道自己哪里不足，和了解自己的优势同等重要
7. AI的出现对量化投资形成了正向赋能
对市场的认知是量化投资的核心竞争力
朱昂：能否先做一个大致的自我介绍？
王星星
我从事量化工作正好十年，只在两家机构工作过。前八年在东方证券研究所做量化相关的研究，后两年在汇添富做公募基金管理量化指数增强产品。在东方证券研究所的八年，从助理研究员到金工首席，基本上把量化选股的各个领域都做了研究覆盖，包括：各类alpha因子、组合构建、风险管理、AI策略、主动和量化的结合等。
两年前，我来到汇添富基金后，将自己过去的积累从卖方研究转型到买方投资。目前我主要管理汇添富中证1000和2000指数增强产品。由于在卖方做了很长时间，我对公募基金整体量化的生态也比较了解。
朱昂：能否谈谈在这些年的过程中，你对量化投资理解的变化和迭代？
王星星
我从业的十年，恰好是国内量化投资快速发展的阶段。刚开始工作时，我的研究重心是海外成熟市场的多因子体系。早期我参考了很多海外的研究报告和学术论文，从各种市场异象研究、到组合构建的方式、再到风险控制的环节。更多是以一种学生的姿态去学习成熟市场。
到后来国内量化私募开始做各种交易策略，我们发现这一块是当前美国成熟市场量化资管机构很少提及的。这是因为，美国市场在90年代末之后开始变得更加成熟，低频交易策略的有效性就越来越弱了，高频交易类策略又主要是很少对外发声的对冲基金自营在做，资管机构很少涉及。国内早期的主流量化投资机构也对量价类信号重视不足，就很少对这方面做深入研究。
从2016年开始，越来越多证据表明，交易策略在A股市场有巨大的红利空间。我也开始投入对交易策略的研究。再到后面，逐渐把AI工具和量化投资相结合，对整体策略实现提升。
之后，我发现多因子模型不再是一个神秘的“黑盒子”，更多是通过精细化管理的过程，把量化投资理论、各种不同的工具、以及市场自身的特点做结合。许多人对量化投资有一个误区，认为高大上的模型导向策略最重要。做了一段时间后，我发现模型导向的方式并不是最优的，应该用市场导向的方式做量化投资。
量化投资的本质是发现市场错误定价机会，通过数量的方式把它刻画出来，并且加以利用。
我们的目标是发现并刻画市场定价，而不是盲目去堆砌模型或者数据。我个人认为，
量化投资的核心竞争力不是建模能力，而是对市场的认知。
这就好比工科生设计科学实验，如果你对这个领域有一些认知，或许做十次实验能成功两次。如果是一个比较小白的人设计实验，可能一百次实验只能成功一次。
所以我对量化投资的理解，超额收益来源已经
从模型导向转变为市场导向。
这个领域的从业人员都很优秀，大家对各种模型工具的学习能力都很强，关键是精细化的管理能力以及对市场的理解，会形成各自阿尔法上的不同。
超额收益的三方面来源
朱昂：如何在跟踪误差较小的情况下，取得较高的超额收益？
王星星：量化投资相对主动权益，更注重对风险的管理，其中跟踪误差是很重要的风控目标。相比其他公司的指数增强产品，我们在风险管理方法论上差异不大，都会对常见风险因子、跟踪误差和个股偏离进行控制，区别主要是阿尔法的模型端。
我们团队积累了比较多的阿尔法来源，许多策略都有深耕。所以不仅是我管理的两个产品，包括沪深300、中证500等宽基指数在内的指数增强产品都表现不错。
我们是比较早纳入AI应用的公募量化团队，也在精细化的管理上做得比较好。
另一方面，由于小盘股天然具有更多错误定价的机会，所以产品的超额收益相比大盘指数增强，一般也更好一些。
朱昂：能否具体谈谈，超额收益的来源是什么？
王星星
超额收益来自三个方面。
1）
强大的基本面研究和AI主导的交易行为策略相结合。
基本面研究一直是汇添富基金比较擅长的领域，也做了很多年的沉淀。我们的第一个指数增强产品成立至今已经有十年，也取得了比较好的效果。从基本面的视角，我们只是希望用相对便宜的价格去购买相对高质量的股票，我们只是通过量化选股因子，对这个逻辑做了数量化的表达。近些年不断成熟的机器学习和深度学习方法极大的便利了对股票交易类行为的研究，有助于发现之前由于人的思维限制不太容易发掘的错误定价机会，从而扩充量化投资的超额收益来源。我们团队在量化投资的AI化应用上相对较早，中间积累了有不少精细化的操作和设计，而这些又进一步提升了模型获取超额收益的能力。
就像前面提到的，和同行相比大家在方法论、框架等层面差异不大，关键是如何去做应用和执行。通过比较长期的实践，我们在许多细节上做了优化处理，能够让量化选股模型更好的获取超额收益。
2）
了解自己的竞争优势，和保持学习同样重要。
我们发现一个有趣的现象，许多量化产品的收益都不错，但是过程中的净值表现差异很大。这说明市场上有许多人掌握了我们不知道的阿尔法来源。所以，我们整个团队都在不断学习，保持高频的内外部交流，实现阿尔法来源的拓展。
3）
良好的团队文化，能够避免策略执行上的损耗。
我之前做过一个有趣的统计，全市场量化指增的超额收益平均水平，略低于大家所熟知比较传统的量化策略水平。为什么会出现这样的情况呢？就是在执行端会出现损耗，导致一个好的策略未必能转化为好的净值表现。
因为投资都是面向未来的，有些策略阶段性表现不好，有可能会因为各种外部压力产生自我怀疑，最终对这个策略的执行是很大的损耗。我们团队整体是比较长期主义的，外部压力对于基金经理的决策影响相对较小，能够让我们把好的策略坚持下去。
朱昂：如何在追求超额收益的同时保持“稳定性”？
王星星
首先，我们在风格因子层面做了严格控制，即便是类似价值、成长这些长期有超额收益的因子，我们也只是在有限的范围内去赚取收益。对于高波动的风格因子，我们的控制就更严格。这也使得我们的产品，并没有过度偏向某一类风格。
其次，我们的个股很分散，单一个股的基准偏离度很小。这意味着，即便某一个股票的不确定性对组合的影响也是很小的。
第三，我们在追求策略收益性的同时，也兼顾了收益的稳定性。
相比于完全收益导向的产品，我们会对稳定性有更多的关注。
朱昂：关于精细化管理，能否展开讲讲？
王星星
比如说我们做AI模型的时候，发现很多策略只是利用股票自身的信息对未来做预测。事实上，许多股票之间的表现有很强的联动性，但常规的神经网络不会在做预测时引入其他样本的信息，这显然和我们认知的市场不一致。我们会根据对市场的认知，通过合理的网络设计或者细节调整，将股票间的这种关联关系纳入到整个模型架构中。
如果
直接通过量化模型来预测股票未来一段时间的真实涨跌幅，这是一个信噪比很高的任务，
因为股票收益中具有很强的偶然性。我们可以根据对股票市场的理解把这个学习任务拆解成若干小任务，这样可以提升模型的稳定性。
AI+量化的时代到来
朱昂：接下来，能否谈谈多因子模型如何和AI相结合？
王星星
多因子模型是量化选股的基本框架，这套框架已经存在很多年。AI技术的出现，是对传统多因子模型的补充，主要体现在三个维度：
1）AI能够实现因子层面的补充。前面提到，量化投资的本质是发现市场错误定价机会，通过数量化的方式把它刻画出来，并且加以利用。通过合理的设计学习任务，AI模型能够找到有效的选股因子。人的思维会受到一定的局限性，而AI能够找到我们不容易看到的角度，从而扩充我们能够利用的超额收益来源。比如说，传统上我们可以利用反转、波动率、偏度等指标去刻画收益率的一些特征去用来选股，而如今我们可以通过时序网络更加广义的去捕捉收益率序列的特定范式用来选股；
2）传统的因子加权模型一般是线性结构，引入机器学习方法后，可以更好的捕捉因子和收益的非线性关系以及不同因子间的非线性交互关系。机器学习的算法，对于传统的线性模式实现了更广泛的拓展；
3）AI能够大幅提高对文本信息分析的效率。在大模型出来前，人工是很难对文本做分析的。有了大模型后，可以对市面上的各类文本信息做结构化分析。
最重要的一点是，
AI扩张了我们的思维角度，能够找到更多的错误定价来源。
保持输出的稳定性，避免情绪主导决策
朱昂：小盘因子曾经在2024年初出现了大幅调整，使得很多指数增强产品都出现了比较大的回撤，如何对模型进行风控？
王星星
客观来说，我们也受到一定的冲击。事后看，市场出现了突发性的流动性冲击，使得传统的线性风控模式阶段性失效。我们当时认为这是一次很短暂的流动性冲击，很快就会结束，并没有对策略做过多干预。反过来，我们做了许多客户沟通的工作，帮助我们把量化策略稳定的执行下去，之后净值也出现了快速修复。
经历了此次流动性冲击后，我们也在风控层面引入了更多的非线性手段。但是，对于预期之外的事件相对来说很难防范，关键还是要把控投资流程的稳定性。
朱昂：那么如何确保输出稳定的投资流程？
王星星
我们把投资决策前置，尽量不让当前的市场变化，临时改变我们的决策流程。
我们每天的交易决策都是事先制定好的，一旦模型策略上架之后，就是严格的执行过程，不会因为市场短期的风格变化，临时改变我们的决策。
我们认为，临时更改模型和投资决策是很大的风险。
我们的投资决策应该来自长期的数据论证，而不是短期的主观臆想。
特别是短期的观点很容易被情绪左右。
朱昂：能否谈谈汇添富的主动量化投资，有哪些比较独特的地方？
王星星
前面提到，各家资管公司在量化选股上的框架上没有太大区别，差异在具体的细节。就像价值投资是普遍的框架，但每个人对价值的理解不一样。
汇添富基金在用相对便宜价格购买相对高质量的股票层面，有比较长时间的沉淀，能够用很多因子对这一条看似简单的投资逻辑做表达。
此外，在AI策略上我们也下了很多功夫，实现了比较多的小突破。
另一个层面是，我们可能更长期主义一些。我们团队的基金经理，无论是性格特征，还是公司对我们的包容性，都支持策略执行不太受短期情绪的干扰。在困难的时候，我们会互相调侃，放松心情，这种文化，能够避免内部的阿尔法损耗。
投资要战胜市场很难，但不跑输市场没有那么难，避免情绪带来的错误决策，是很重要的部分。
朱昂：主动权益研究一直是汇添富的强项，如何对量化投资进行赋能？
王星星
一个是思想层面的影响，无论是主动还是量化，都是利用市场错误定价的机会赚钱。量化更多是从归纳法的角度，主动投资更多是从推演法的角度。由于我们平时和主动投资交流很多，能够相互补充观察市场的视角，帮助我们更好理解市场。
一个人的思维很大程度会被环境所影响。在这样一个大家愿意分享交流的环境下，会对我们的市场认知产生一些变化，而这种认知又会引导我们去设计量化模型，捕捉市场的投资机会。另外，我们主动投研的数字化系统做得也很好，包括内部的研究员观点、公司的盈利预测、主动投资的观点等，这些数字化的投研资源，能够帮助我们纳入到量化的投资决策流程中。
在有竞争优势的领域“捕鱼”
朱昂：我们知道，中国是一个很卷的市场，如何保持阿尔法层面的竞争力？
王星星
投资和很多行业不同，并不是努力就一定会有成果。做投资，没有方向的内卷未必能提高业绩。就像我前面提到，跑赢市场很难，不跑输市场却相对简单。我们需要充分了解自己策略的比较优势，在哪些方面我们是能战胜市场的，在哪些方面我们又是没有竞争优势的。
知道自己哪里不足，和了解自己的优势同等重要。
举个例子，我们在风格轮动上并没有超越市场的能力，那么就会在策略中尽量保持风格和基准一致。在没有优势的领域，我们就以一种被动化的方式来做，避免策略上的跑输。市场的机会很多，竞争也很激烈，我们在强项领域必须做到市场前列才能赚钱。在不擅长的领域，我们也不要有多余动作，避免对收益的损耗。
朱昂：你怎么看待公募和私募量化的生态变化？
王星星
任何行业都是有周期的，公募量化也不例外。公募量化在2015年、2016年出现了相对高峰，2017年之后在主动权益基金的光芒下略显暗淡，2021年后私募量化全面爆发，而公募量化的的市占率提升相对缓慢。
为什么2015年之前，私募量化相对公募量化没有那么大的差异，而在此之后两者规模上呈现了很大的不同呢？我个人认为是私募量化抓住了早期量价策略的机会，后面又通过量化投资+AI的方式抓住了时代贝塔。
在2016年的时候，公募量化生存环境显著好于私募量化，再结合各种交易的限制，对于高频策略重视程度不足，并没有投入足够的投研。而私募量化整体生存环境是比较恶劣的，所以更好的把握了量价策略的时间窗口。
高频策略+AI的方式，是一种很好的结合。过去10年AI技术大发展一个很重要的推动因素就是大数据，而在量化投资领域，相对高频的量价策略，数据结构化程度高，独立样本量大，天然有利于和AI技术结合。所以，
AI的出现对量化投资形成了正向赋能。
公募量化在过去几年变成了追赶者的角色。好在AI策略完成了0到1的技术突破后，门槛就没有那么高了。一项新技术刚开始传播时，先发优势会特别明显，但是随着技术成熟，大家持续研究数年后，各自的差距就不大了。
后期整个量化生态的发展，更需要对各种策略做精细化耕耘，以及团队作战的方式。通过一些细节上的优化，拉开一点点超额收益层面的差距。而且，未来公募量化和私募量化的资管产品都会把中低频策略作为主战场。
在海外成熟市场中，超高频策略是很少作为资管产品对外销售的，主要是自营盘在做。从这个角度看，
未来公募量化和私募量化对外销售的资管产品在策略端差异不会那么大。
但是，公募量化和私募量化的产品定位依然会有所不同，由于公募产品面向普通投资者发售，面临的监管约束也更加严格，比如指增产品80%成分股的约束等，结果就是公募更加注重普惠和稳健。
朱昂：被动产品规模的崛起，是否会对阿尔法的获取带来新的挑战（比如说美国市场2009年以来的特点）？
王星星
被动化的崛起，肯定会对阿尔法有冲击。过去大家直接交易个股，那么就会在个股选择上带来错误定价的机会。进入被动化时代后，情绪交易导致的错误定价机会就会减少，整个市场的有效性也会提升。
但是ETF的参与者增加，也会出现非理性的行为，给我们提供获得阿尔法的窗口。不同的参与主体，不同的投资工具，会带来不一样的错误定价机会。
整体来说，伴随着ETF规模的提升，市场的超额收益空间会收窄，但还是有新的机会存在。
朱昂：如何让自己保持进步？
王星星
量化投资是需要策略的持续迭代，对创新的要求很高，这一点和许多工作不同，不是努力就一定有好的结果。
我们会让自己做一些不带功利性的学习，就是单纯去拓展我们的认知。比如说，我最近也在强化学习的知识，虽然还不知道到底能不能应用在量化投资的实践中。
另一方面是，我在策略研究的过程中，也会不断保持对市场的理解。如同前面提到，对市场模糊的正确理解能够大幅提高我们实验的成功率。
第三，年龄的增长容易让人产生“成长的疲惫感”，保持身心的年轻感很重要。我们公司都有运动的习惯，帮助我保持一个比较好的状态，从而提高我们的工作效率。
最后，灵感的迸发需要不断的思考，即便短期没有新的策略提升，也不需要有心理压力。
朱昂：有什么量化投资领域比较推荐的好书？
王星星
《主动投资组合管理》是量化领域一本公认的好书，作者曾经在量化投资大厂巴克莱工作，在学术界也写过很多论文。这本书并非告诉我们某种策略，而是把量化投资的思想整理下来。
我在刚工作的时候读过一遍，帮助我了解很多量化投资的基本概念。等工作了七八年后，我又读了一遍，发现书中很多话背后都有很深的思考。
这本书不仅适合新人，也适合从业时间比较久的人。
风险提示：基金有风险，投资须谨慎。本资料仅为宣传材料，不作为任何法律文件。投资有风险，基金管理人承诺以诚实信用、勤勉尽职的原则管理和运用基金资产，但不保证基金一定盈利，也不保证最低收益。投资人购买基金时应详细阅读《基金合同》《招募说明书》《基金产品资料概要》等法律文件，了解基金的具体情况。基金管理人的其他基金业绩和其投资人员取得的过往业绩并不预示其未来表现。汇添富中证1000指数增强由汇添富基金管理股份有限公司发行与管理，代销机构不承担产品的投资、兑付和风险管理责任。本基金属于中等风险等级（R3）产品，适合经客户风险承受等级测评后结果为平衡型（C3）及以上的投资者，客户-产品风险等级匹配规则详见汇添富官网。在代销机构认申购时，应以代销机构的风险评级规则为准。中证1000指数由中证指数有限公司（“中证”）编制和计算，其所有权归属中证及/或其指定的第三方。中证对于标的指数的实时性、准确性、完整性和特殊目的的适用性不作任何明示或暗示的担保，不因标的指数的任何延迟、缺失或错误对任何人承担责任（无论是否存在过失）。中证对于跟踪标的指数的产品不作任何担保、背书、销售或推广，中证不承担与此相关的任何责任。王星星在管的其他产品情况：汇添富中证2000指数增强A（与吴振翔共同管理）自2023-11-07成立，2024年业绩及基准分别为(%)：11.08/-0.39，数据来源基金2024年四季报，截至2024.12.31。
- en
d -
按姓名首字母排序
上下滑动阅读更多内
容
