“一只科创综指量化指增基金，和传统指增基金有什么不同?”，这是我最近问博道基金量化投资总监杨梦的一个问题。
作为 EarlETF 的老朋友，以博道远航打响业内知名度的杨梦，最近要发行博道科创综指增强基金(C类023902)，所以我好奇的是这只基金和以往的指增有什么不同。
不过在为这款新产品路演时，杨梦并未强调这款指增产品的策略差异。令人惊喜的是，杨梦用非常多的篇幅，用“第一性”的视角——是的，就是那个被马斯克一直奉行的思维方式，去解释应该如何迭代量化策略。
听完杨梦的“第一性”思考，当时让我对她的这只新产品更有信心了。
迭代的意义
知道杨梦，相信许多人是从博道远航(007126)开始的。这只跟踪万得偏股混合型基金指数(885001)并以指增形式运作的偏股混合型基金，也是笔者每年末更新的
EarlONE 清单
中的一员。
下图是 2023 年迄今，博道远航相对万得偏股混合型基金指数的超额收益走势，蜿蜒向上的超额曲线，煞是好看。
当然，博道远航自 2021 年开始尝试追踪万得偏股混合型基金指数，并非一帆风顺，至少 2022 年，并算不上特别出挑。
但正如我以前在谈及量化基金时很强调的：
量化基金经理不断迭代，以适应市场的能力至关重要
。
在这次路演中，杨梦以博道远航为范本，复盘了一路上在量化投资策略上的几次迭代。下图是笔者整理后做的一个示意图，主要是两大迭代：❶ AI 全流程；❷ AI 赋能后的新风控。
站在第一性原理之上
在这次路演上，杨梦提到了一个词——“第一性”。她表示，这些年的迭代，正是基于这一思路推进的。
所谓"第一性原理"（First Principles Thinking），源于物理学，是一种回归事物最基本构成，从零开始构建解决方案的思维方式。与之相对的是类比思维——参照已有方案进行改良。在日趋内卷的量化投资领域，后者只能带来边际改进，而前者则有可能实现质的飞跃。
谈及“第一性原理”，最著名的推崇者，无疑是马斯克。比如他在推动 Space-X火箭项目时，利用第一性原理，做了很多颠覆的尝试。
在传统航天领域，火箭制造成本高昂，人们普遍认为这是行业标准，难以改变。然而，马斯克运用第一性原理重新审视这一问题。他没有被“火箭就是贵”的观念束缚，而是回归火箭的本质——一堆金属材料。他发现，火箭的主要材料如航空级铝合金、钛、铜和碳纤维等，其市场价格并不像火箭成品价格那样高不可攀。如果从原材料采购入手，直接购买这些基本材料，再自行加工组装，成本会大幅降低。于是马斯克选择自己采购原材料，像购买普通钢材一样，按重量计算成本，再利用 SpaceX 自己的工程师和生产线进行加工制造。这样一来，原本价格高昂的火箭部件，成本被大大压缩，从而为 SpaceX 在航天领域赢得了成本优势。
复盘杨梦团队这些年在量化策略的迭代，也正是站在“第一性原理”，不是沿着原有的路径简单改良，而是追问“为什么”。
AI全流程：打破因子思维的桎梏
传统量化投资，尤其是多因子模型，通常遵循一个典型路径：构建因子库→筛选因子→组合因子→信号生成→组合优化。这一路径根植于Fama-French三因子模型等经典理论，已成为行业标准范式。
但杨梦团队不满足于在已有范式上精雕细琢。她提出一个更根本的问题：预测股票收益的本质是什么？是找到几个预设的“因子”吗？还是从更基础的原始数据中，直接识别能预测未来收益的复杂模式？
所以早在2019 年，博道基金的量化团队就开始进行AI量价因子的研究，紧跟私募界转向AI的趋势。在公募领域，这应该算比较早的尝试，也为博道占到了先机。到了 2023 年，博道启动
“AI全流程框架”多因子模型
的研发。这标志着从仅用AI辅助生成因子，转向构建一个由AI主导信息处理流程的独立、并行框架。
“我们开发了AI全流程框架，整个过程就没有人工定义的因子了。”杨梦在采访中坦言，“它用的就是原始的数据，可能只是经过一些简单的特征工程的处理，然后通过这样的一个较深的神经网络模型，直接给出来端到端的最终预测。”
这一思路彻底打破了传统因子框架的限制，具有三大突破意义：
一是解放了信息提取能力
。传统因子框架中，大量有价值的信息被人为筛选过滤掉，而AI全流程能够从更原始、更丰富的数据中提取深层次信息，捕捉传统因子难以发现的复杂非线性关系。
二是提高了模型适应性
。神经网络的灵活性使其能够自动调整对不同市场周期的响应，而传统因子模型则需要人工干预，容易滞后于市场变化。
三是创造了真正的差异化优势
。在众多量化产品同质化严重的背景下，AI全流程框架从根本上区别于传统方法，避开了“内卷区”，为超额收益开辟了新空间。
站在 2025 年的当下，这套全 AI 流程或许已经不新鲜了，毕竟哪怕公募基金也已经有许多的量化基金开始讨论类似的“端到端”模型，但是博道基金能够在 2 年前用上，并于 2023 年 Q2开始
双框架并行:
采用
传统框架与AI全流程框架各占一半权重
的模式进行投资，就意味着相比大多数竞争者的抢跑，而且量化领域，抢跑意味着信息差，意味着超额的来源。
当然，抢跑总有被追赶被追上的时候，这就要求量化基金经理能够不断与时俱进，不断领先同业。进入 2024 年，杨梦的量化策略迭代，重心放到了风控上。
风险管理：控制风险而不是指标
投资的本质是风险管理。在指数增强这一“带着镣铐跳舞”的策略中，风险控制尤为关键。这里面又存在一个平衡：风控太紧，超额收益空间就有限；风控太松，超额收益的波动又会太大，杨梦团队之前属于是“中坚型”，适度偏离的情况下，最大化追求超额收益。
传统上，这种控制主要通过设置跟踪误差上限、行业偏离约束、风格因子偏离约束等方式实现。然而，当面对2023年10月和2024年1月等极端行情时，杨梦团队发现，即使收紧Barra风险模型的约束，也未能完全避免组合波动。
为何会出现这种情况？
杨梦基于第一性原理的思考给出了答案——需要从风控模型要达到的目的、底层原理出发，重新审视现有工具是否真的达到了目标。
其团队于今年上线了自研的风控系统，在两个层面实现了突破：
风险模型的重构
。团队利用AI技术重构了整个风险因子体系，对传统风险因子进行“降维和提纯”，找到更能解释市场波动的潜在因子。这相当于重新定义了衡量风险的“基本单位”，使风险度量更加精准。
精细化风险控制
。他们不再满足于对风险因子暴露的“总量”控制，而是深入到其“内部构成”或“分布”。杨梦举例道：“同样达到市值因子偏离0.3倍标准差的目标，可以通过买一个2000亿的股票加一个50亿的股票，也可以通过买一个1000亿的股票加一个100亿的股票实现。两者在总量上相同，但风险特征可能截然不同。”
这并不是我第一次听到公募量化优秀的基金经理谈及这个问题，不过不同的基金经理会有不同的选择。某些或许并不介意这种总量与构成的偏差，甚至乐于“利用”，来实现比如更好的市值下沉。
但显然，杨梦选择的是
控制回撤，控制风险
，从而希望提升超额收益的季度和年度胜率。
为此，他们对优化器进行了“比较系统性的改造和重写”，实现了对风险暴露分布的精细化控制，大大提高了组合在极端情况下的稳定性。从结果上来看，超额收益的“胜率”更高了，而且，这种控制下，“赔率”还没有下降。
这种对细节的极致追求，正是杨梦所强调的“工匠精神”——“量化投资的迭代，往往不是一蹴而就的颠覆性创新，而是点点滴滴的改进，都来自于对很多细节的第一性原理的思考和迭代。” 正如谚语所言：魔鬼藏在细节之中，量化投资的成功也藏在这些微小但关键的优化之中。
追求极致
回到今次将要发行的博道科创综指增强基金，杨梦觉得对量化投资而言，其实并不是新的调整。
“我们这套传统+AI多因子模型它本身会针对不同的基准有自适应的调整，所以不需要人工额外去做调整”，这是杨梦的自信。
作为博道远航的持有人，其实我也更乐于见到杨梦这样的回答。站在更宏观的视角，杨梦团队基于第一性原理对量化策略的不断迭代，显然远比针对科创板做一些定制化的优化更重要——后者只能适用于科创板，而前者则是普适有效。
“量化投资的差异化并非来自表面的框架创新，而是源于对细节的极致追求。”杨梦在深度交流中坦言，传统多因子框架下，各家机构“听来听去无非就是这点小细节那点小细节的差别”，却恰恰是这些看似微小的差异，最终累积成了显著的业绩差距。
与主动投资面临的AI挑战不同，杨梦认为AI反而为量化投资开辟了差异化新空间：“AI方法论对于量化方式的引入是会让我们做出差异化、做出非同质化的可能性空间反而加大了。”
正如制表大师对每一颗齿轮的精心打磨，杨梦团队对投资流程的精细优化，最终汇聚成一台运转精准的“超额收益发动机”。这台发动机，即将在科创综指的赛道上，为投资者开启又一段稳健而精彩的旅程。
