1.1 能力圈广泛的知名量化老将焦文龙带队，多背景成员成就多视角底色
科学管理筑基，团结稳定聚力，精英团队打造优秀产品。工银瑞信主动量化投资团队隶属于工银瑞信指数及量化 投资部，现由 4 名基金/投资经理和 3 名研究员构成，由指数及量化投资部总经理焦文龙先生统筹领导。该团队 成员各有所长，梯队合理；既有经验丰富、历史业绩出色的资深老将，也不乏实力出众的中、新生代，兼具资深 策略洞见与因子创新实力。团队内部分工明确，在浓厚的“传帮带”文化引导下，成员们在大类资产维度（股票 /转债/债券/多资产/海外）、宏/中/微观维度（总量择时/风格分析/行业轮动/风险对冲）高效协作，各司其职。团队 成员从业经历包含 FOF 资产配置，自营量化投资，机器学习，策略研究，多背景特征有助于成员在碰撞、交流 中形成更加多元、有效的观点输出。截至 2025/3/31，团队在管产品 19 只（不含联接基金，下同），其中主动量 化产品 10 只。
焦文龙：能力圈广泛的知名量化老将，战略前瞻能力出色。工银瑞信主动量化团队负责人焦文龙先生已有近 16 年证券从业经验，9 年投资管理经验，中国人民大学硕士，曾任鹏华基金资产配置与基金投资部执行总经理，基 金经理；2021 年 1 月加入工银瑞信基金，现任指数及量化投资部总经理、基金经理。作为首批养老目标基金经 理及公募 MOM 投资总监，焦文龙先生凭借长期跨资产配置管理经验，形成了覆盖多市场、多策略的复合能力圈 与前瞻性战略视野。其当前在管产品涵盖偏债混合、灵活配置、二级债基等多品类，策略体系整合质量红利、优 质成长、量化反转等差异化赛道，底层工具覆盖股票、债券、可转债等多种资产。多年沉淀形成的多资产、多策 略投资框架深度契合了投资者对全天候净值管理的核心需求。这样独特的全局视角，不仅使其能够精准把握团队 业务架构与产品矩阵的优化方向，更有助于其从实战维度指导旗下基金经理与研究团队，共同打造具备穿越周期 能力的净值增长曲线。 焦文龙先生在管基本面量化产品各具鲜明风格特色，策略同质化程度较低。从权益端策略风格来看，工银新价值 （001648）&工银新机遇（002003）两只产品分属价值/成长类策略，而工银聚享（011729）更注重个股分散配置。 工银新价值从多个维度定义并寻找优质价值型公司，从质量、红利等角度考察上市公司估值合理性，重点配置各 个行业中估值合理、经营稳健的优质公司；工银新机遇定位为优质成长策略，从预期增速水平、实际增速水平、 估值水平、交易拥挤度、成长天花板等角度考察上市公司，重点配置各个行业中估值合理、成长性较强的优质公 司。这两只产品运作稳定，业绩出色，其中工银新价值 2023 年全年收益率-2.31%（同类排名 595/2123），同期沪深 300 收益率-11.38%；2024 年全年收益率 16.21%（同类排名 206/2253），同期沪深 300 收益率 14.68%。工银聚 享权益端以定量筛选、分散配置策略为主，该产品 2024 年全年收益率 8.37%（同类排名 220/1300）；2025 年以来 （截至 2025/5/31）收益率 13.89%（同类排名 1/1357），今年以来表现尤为出色。
工银瑞信主动量化团队其余 3 名基金/投资经理简历及工作职责如下：
张乐涛：擅长基本面量化及股票多空策略，近两年同类排名靠前。7 年证券从业经验，3 年投资管理经验。 北京大学硕士，2018 年加入工银瑞信基金，现任指数及量化投资部基金经理，主动量化组合助理，负责开 发主动量化策略、量化对冲策略和大类资产配置策略，同时管理工银量化策略等 4 只公募产品。
何顺：深耕量化总量研究，用总量思维辅助 smart beta 产品设计与风格择时，跨资产管理经验丰富。5 年证 券从业经验，2 年投资管理经验。北京大学统计学博士。2020 年加入工银瑞信基金，现任指数及量化投资部 基金经理。主要负责量化总量研究和 smart beta 策略开发，并负责中证 1000 指数增强等 5 只公募基金的投 资管理。
刘子豪，前沿算法及模型专家，精于量化多因子策略。6 年证券从业经验，2 年投资管理经验。中国人民大 学硕士。2022 年加入工银瑞信基金，现任指数及量化投资部基金经理。主要负责量化多因子研究，并负责 中证 500 指数增强等 7 只公募基金的投资管理。
工银瑞信主动量化团队现配备专职主动量化研究员 3 名，均具备名校背景和深厚量化经验，分工负责宏观总量 分析、多资产配置、行业比较、smart beta 策略研究、基本面量化等工作。3 名研究员简历及工作职责如下：
袁康洪，3 年证券从业经验。美国圣路易斯华盛顿大学硕士。2022 年加入工银瑞信基金，现任指数及量化投 资部量化研究员。主要负责 smart beta 策略研究、基本面量化研究、量化行业基本面研究等工作。
陈林君，3 年证券从业经验。复旦大学硕士。2022 年加入工银瑞信基金，现任指数及量化投资部量化研究 员。主要负责 smart beta 策略研究、财务因子开发、模型构建、可转债策略研究等工作。
李新宇，2 年证券从业经验。北京大学博士，曾获博士生国家奖学金、北京大学校长奖学金等荣誉，曾参与 多项国家自然科学基金面上项目等国家级科研项目，有多篇学术成果发表在 JRSSB、Biometrics、NeurIPS、 ICML 等国际顶尖统计学和人工智能期刊和会议，研究成果获批一项国家发明专利，担任多个高水平国际学 术期刊审稿人。2023 年加入工银瑞信基金，现任指数及量化投资部量化研究员。主要负责 smart beta 策略研 究、量化交易与基本面量化研究等工作。
1.2 多资产分析范式+多元化因子库双轮驱动，团队竞争优势凸显
多资产方面：工银瑞信主动量化团队创造性提出了 ARC 投资导航系统。“A”代表 Active（主动管理），其核心 理念无论对待主动还是被动产品线，都要保持积极；“R”代表 Reversion（均值回归），即基于交易逻辑的赔率 判断——高估资产面临回调压力，低估资产有一定修复机会；“C”代表 Certainty（确定性），旨在探索具有高确 定性的交易机会。该团队依托 ARC 投资导航系统，将对宏观经济周期、中观产业变迁、微观市场动态的观察有 效传达给客户，为产品提供具备强确定性的投资决策支持。 因子库方面：工银瑞信主动量化团队构建了以多因子协同、多模型共振、多策略耦合为核心的量化投研体系，通 过底层逻辑的低相关性设计提升因子入库有效性。（1）在因子层面，该团队将投资逻辑转化为可量化的财务、估 值、市场情绪等多维度指标，新因子的开发严格遵循预测有效性与逻辑独立性双准则——不仅要求单因子具备显 著的收益预测能力，更强调与既有因子在驱动逻辑上的低相关性，避免投资逻辑的重复映射。（2）在模型层面， 该团队采用多种模型来共同提炼因子池选股能力，能够更全面的获取因子池包含的有效信息。（3）在策略层面， 该团队致力于同一个多因子信号的差异化应用，构建出多个低相关、高收益的投资组合，通过低相关投资组合的 有机结合，能够有效的提升组合超额收益的稳定性。 历经多年发展，工银瑞信主动量化团队已形成相对成熟、完备的量化投研框架，能有效覆盖产品全生命周期管 理。该框架立足于传统多因子模型，通过人工+算法挖掘的复合式方法构建多层次、多维度、多样化的选股因子 池，借助机器学习、深度学习等前沿算法深度提炼因子池选股能力；同时严格控制组合在风格、行业等多维度风 险暴露偏离，确保组合在风格、行业等维度的风险偏离处于可控范围，以保证组合的均衡性与安全性。该框架可 分为投前、投中、投后三大步骤，再细化为若干子模块，逐步优化、逐步提升整体收益。 投前：包含因子研究、模型研究、组合优化、回测部分，策略成果需通过严格的回测体系，验证策略有效性。 投中：包含实盘交易、运营部分，准确执行策略调仓目标，每日跟踪组合表现，提示组合风险。 投后：包含收益分析、优化策略部分，每日将产品收益进行策略层面、因子层面的分解，根据实盘结果，实 时优化策略。
1.3 “主观+量化”深度融合，借助自研平台实现量化投资的“工业革命”
主观投资与量化策略的 Alpha 来源不同，存在一定互补性，“主观+量化”深度融合可为量化团队带来独特优势。 量化策略依托于大样本数学规律，研究基本面、量价、高频、另类、非线性等大量因子与个股未来收益率的联系， 需要在比较长的时间跨度，对大量的上市公司进行统计分析；基本面投资则更侧重于微观企业的价值发现，多采 取“深度调研+前瞻推演”的范式，在对产业周期、商业模式的认知和理解上具备更加深刻的积累沉淀。有机会、 有能力实现“主观+量化”深度融合的量化团队可以系统化地吸收主观研究的知识积累和行业洞见，将主观定性 的判断落地为定量化、标准化、可复用的 Alpha 信号，兼具研究的深度和广度。如此，量化团队可以方便获取与 传统因子差异化程度较高的 Alpha 来源；主观思路的加持下，量化策略样本外失效的风险在一定程度上也得以 降低。 工银瑞信主动量化团队十分注重“主观+量化”深度融合。（1）借力内部主观投研人员的知识储备，跨部门协作 机制完善，整合全公司投研力量打造有生命力的主动量化产品。工银瑞信主动量化团队积极与公司内部主动投研 团队建立深度合作，与主动投研人员共同参与周会、月会等定期策略分享，充分沟通分享行业信息和投资观点， 紧密跟踪市场变化。工银瑞信主动量化团队所依托的股票池由公司内部所有主观行业研究员共同执行，从财务指 标、商业模式、成长趋势、竞争优势等方面，对全市场股票做初步梳理，缩小筛选范围。（2）工银瑞信主动量化 团队内部注重定性思维，每周召开 smart beta 策略讨论会，对股票池内个股逐一从基本面维度进行确认，考察压 制估值的因素及未来变化方向，确保组合个股符合预定的投资逻辑。
如何用量化的语言高效实现主动投资逻辑？针对这个问题，工银瑞信主动量化团队通过系统化、平台化的形式给 出了回应。系统化不仅是技术系统的搭建，更是投资生产范式的根本性转变，将传统依赖经验判断的“农业模式” 升级为可复制、可验证的“工业化模式”，从更广泛意义上实现量化投资的“工业革命”。为实现主动量化团队 投研一体化，提升团队整体研究、投资效率，形成投研合力，工银瑞信主动量化团队联合公司内部金融科技创新 团队，研发了工银瑞信主动量化投研平台，将整个量化投研框架系统化落地。该平台集成了包括数据清洗、研究 支持、策略跟踪、收益归因、权限管理、投资交易等功能，囊括了量化研究中常用的各类算法函数，最大化提升 量化策略研究投资效率。当前，全团队的投研工作均在此平台展开，包括研究的开展与落地、研究向指令端和转 化、以及最后的指令下达，所有的因子研究、策略形成、模型构建、交易指令等，都在统一的平台进行管理。平 台化管理不仅能沉淀体系的积累，也能更好的进行团队协作。该平台当前已实现“零代码”因子与模型研究，形 成多资产和多策略的工作手册，未来还将支持策略研究与多策略组合的“零代码”化，让主动权益研究员也能 够直接构建量化策略，进一步丰富因子和策略体系。
2.1 工银瑞信主动量化产品线概览：品类丰富，风格多样
工银瑞信主动量化团队构建了品类丰富、风格多样的产品矩阵，在策略和产品维度全方位践行了多元化思路。从 策略维度来看，当前该团队产品线以基本面量化、指数增强两大品类为主，合计规模占比超 80%，每种品类内部 容纳了丰富且低相关性较强的细分子策略，比如：基本面量化产品线中针对价值、成长、红利、质量及多因子都 有针对性增强策略，这种差异化安排在一定程度上赋予了工银瑞信主动量化产品线“全天候”属性——在不同市 场环境下都能提供较为优质的 beta 收益，也可以通过合适的配置手段取得分散化优势，直接作为量化多策略组 合来呈现。该团队坚持为每一个量化产品赋予清晰的策略定义，且严格在策略描述的范围内规范化运作；如此一 来，投资者可以清晰地认识每个产品的目标 beta 和尾部风险，进而根据具体需求配置合适的产品。再比如：指数 增强产品线中，该团队现有公募产品重点布局了 500 指增和 1000 指增两大支柱性品类。作为纯指数运作类产品 的差异化补充，工银瑞信指数增强产品线在创设产品阶段进行了严格的筛选：首先要求母指数能够提供“面向未 来”、“具备时代特征”、匹配客户需求的 beta；同时要求母指数具备足够广的截面和超额收益挖掘潜力。当前 公募产品的两大跟踪指数中证 500、中证 1000 旨在为投资者提供不同的市值区间的选择。 从收益风险特征维度来看，该团队产品线具备鲜明的“多资产”特色：团队不仅深耕股票多因子策略研发，更从 多元资产配置视角与投资者差异化需求出发，持续丰富产品谱系。我们计算了工银瑞信主动量化团队 2024 年以 来的收益风险特征（测算区间为 2024/1/1-2025/3/31，任职日期在 2024 年以后的产品按任职日期为起始日计算）。 从中可以发现，该团队产品线布局呈现全面化特征，既有高风险高收益的进攻型产品，同时在股票多空、“固收 +”等中低波动型产品上也有布局。各产品基本遵循收益风险匹配逻辑，权益仓位普遍较高的指增系列产品位于 收益风险图谱的“最右上”位置；稳健性质较强的股票对冲类产品位于“最左下”位置；收益风险属性居中的基 本面量化产品系列包含偏股混合型、灵活配置性、偏债混合型、二级债基等多种品类，其中既有高权益仓位的 smart beta 产品，也有部分产品以“固收+风格指数增强”的形式呈现，兼具清晰明确的收益结构和较低的风格漂 移风险。
2.2 指数增强：重视策略迭代，超额稳定优势突出
工银瑞信主动量化产品团队依托成熟的指数增强体系与平台化投研优势，形成了颇具竞争力的指数增强产品线， 现包含工银中证 1000 增强策略 ETF（561280）、工银瑞信中证 1000 指数增强 A（016942）、工银中证 500 六个 月持有指数增强 A（014133）。 （1）2024 年年中，团队通过集中的基金经理调整与策略迭代，进一步提升了超额。受“924”行情影响，3 只基 金超额短暂波动后很快修复，基金经理变更以来（截至 2025/5/31）3 只产品的月度超额收益率均值分别达 0.70%、 0.87%及 0.39%，在多数月份实现正超额收益，“924”后策略有效性持续较强。
（2）得益于全流程量化投研框架及平台化优势，团队 3 只指数增强产品近期表现优异。2024 年下半年，团队 2 只 1000 指增产品排名进入同类前 35%，500 指增排名进入前 5%；今年以来，工银中证 500 六个月持有指数增强 A 排名 20/67，跻身同类前 30%；工银中证 1000 增强策略 ETF 同类排名前 15%，工银瑞信中证 1000 指数增强 A 同类排名 1/46。
2.3 基本面量化：不止是 smart beta
工银瑞信基本面量化产品系列具备鲜明的 smart beta 特色，形成覆盖价值、成长、技术类因子及多因子策略的 立体化布局，通过规则化的因子筛选与动态迭代机制，为投资者提供兼具 beta 收益与 alpha 潜力的工具化解决 方案。例如工银新价值采用质量红利策略，工银新机遇聚焦优质成长策略，工银聚享则专注量化反转策略，工银量化策略定位为行业均衡型多因子主动量化多头产品等。 这一产品线组合运作流程主要分为以下四个步骤： （1）策略定义：明确策略的定位与投资逻辑； （2）多因子选股：根据策略定义确定定量选股指标与因子，并根据多因子筛选策略股票池； （3）基本面确认：周度召开 Smart Beta 策略讨论会，对股票池内个股逐一从基本面维度进行确认，确保组合个 股符合预定的投资逻辑； （4）深度学习辅助交易信号：根据深度学习模型对 K 线进行识别，构建交易信号，辅助组合换仓与交易。
本节中，我们详细分析了该团队两只代表性特色产品，其一为工银聚享，其二为工银新价值。 得益于团队多资产管理经验丰富，部分基本面量化产品以“固收+有明确风格暴露的量化增强股票组合”的形式 呈现。以工银聚享为例。工银聚享是主动量化产品线一只颇有代表性的产品，由焦文龙、何顺共同管 理。该产品采用“债券打底，权益增强”的投资模式，权益仓位大约在 40%左右，以个股定量化筛选、分散化配 置为主，旨在市场宏微观流动性相对充裕的环境下贡献超越基准的 beta；债券端以利率债、信用债打底，辅以适 度的券种配置与久期择时策略。这种量化赋能“固收+”产品的新范式，本质上是通过系统化、数据驱动的方法 解决传统“固收+”策略的两大痛点：收益增强的可持续性与波动控制的精准性，最终产品既具备明确清晰的收 益结构，充分保留纪律性和可解释性，降低人为决策偏差，也便于实现收益和风险的溯源。近期，该团队也在做 混合资产的产品创新，在传统恒定混合策略的基础上加入尾部风险管理后，力争能够实现 Beta 上的增强。 该产品 2024 年全年收益率 8.37%（同类排名 220/1300）；2025 年以来（截至 2025/5/31）收益率 13.89%（同类排 名 1/1357），今年以来表现尤为出色。更为可贵的是，该产品今年以来兼顾了向上弹性与回撤控制，今年以来最 大回撤不超过 5%，夏普比率（年化）超 2.8，在同类型产品中存在不可替代性。
区别于传统风格指数产品，工银瑞信的基本面量化产品既具备风格可解释性与工具化配置属性，同时又充分考 虑了主观定性因素和动态可修正的策略迭代机制。以工银新价值（001648）为例。该产品主打价值风格，从多个 维度定义并寻找优质价值型公司，从质量、红利等角度考察上市公司估值合理性，重点配置各个行业中估值合理、 经营稳健的优质公司。2024 年初，工银新价值（001648）从早期 PB-ROE 策略升级为质量红利策略，这一调整 的核心逻辑在于跳出传统价值投资范式，转向在经济弱复苏、利率下行、政策鼓励分红、长期资金偏好背景下优 势更为突出的红利风格。 从单因子表现角度，我们测试了 BP 因子和股息率因子的多头超额和多空超额（每月调仓），容易发现：（1）长期 来看，相较于传统价值策略，红利策略的核心优势在于风险调整后收益更突出，不容易陷入“低估值陷阱”，有 效规避了伪价值股。（2）受益于“新国九条”的推动和长期资金入市的制度保障，红利类资产资金基础牢靠。从 2024 年度多头超额来看，红利策略（9.09%）的确强于传统 BP 策略（7.69%），侧面印证了工银瑞信主动量化团 队策略调整的前瞻性。
2.4 量化对冲：“924”以来显著跑赢股票多空指数
工银瑞信量化对冲产品线聚焦低风险绝对收益策略，以追求净值的低波动稳健增长为核心目标，目前旗下布局 工银优选对冲、工银绝对收益两只核心产品。二者均采用股票多空对冲策略，通过多因子 量化模型构建高 Alpha 股票组合，同时运用股指期货对冲市场 Beta 风险。但在策略细节上，两只产品呈现差异 化定位：工银优选对冲通过多策略融合实现收益增强，通过分散化降低单一因子波动影响，并根据股指期货基差 水平动态调整对冲比例与指数增强策略，在控制风险的同时捕捉市场结构性机会；工银绝对收益则更侧重价值因 子挖掘，相对低配成长因子，有更加明确的风格属性，与工银优选对冲形成互补。 “924”行情后，两只产品凭借风险控制能力持续跑赢以股票多空基金指数为代表同类平均水平，月度正收益胜 率均较高。截至 2025/5/31，工银优选对冲今年以来已实现 1.59%的绝对收益（同类排名 11/40）；工银绝对收益同 期绝对收益达 3.38%，在同类产品中排名居首，凸显了量化对冲策略在震荡市中的风险收益比优势。二者通过清 晰的策略定位与差异化的因子配置，为投资者提供了适配不同风险偏好的低波动资产配置工具。
Q1：请简要介绍贵团队的投资框架。有哪些区别于市场上其他主动量化团队的差异化特色？
我们团队的投资理念可以概括为“注重长期思维、均衡配置，在风险可控的前提下实现超额收益”，所管理的产 品以自下而上精选个股为主，注重长期思维和均衡配置，投资于具备稳定盈利能力（比如 ROE 指标突出）、竞争 格局良好（涵盖牌照优势、技术护城河、资源禀赋、品牌溢价等核心要素）且估值处于合理区间的优秀企业。 （1）我们坚持从长期视角审视公司价值，更加关注影响企业 3-5 年发展的核心变量；也相应地对短期扰动和事 件性的冲击保持合理容忍度。相较于即时市场情绪，我们更关注行业竞争格局的稳定性、管理层战略定力以及技 术壁垒的可持续性，倾向于投资商业模式清晰、现金流健康的企业——这类标的往往在行业周期波动中展现更强 的抗风险能力与价值穿越能力。 （2）在组合构建上，我们比较注重中观行业层面的事前分散化配置，聚焦各优质细分领域的代表性龙头企业； 在风格稳定的基础上，结合宏观趋势对细分行业配置比例进行动态微调。这样做是为了规避因追逐市场热点导致 的组合失衡风险，通过事前分散优化风险收益比。 （3）我们不是完完全全的“数据派”、“模型派”，所管理的绝大多数产品采取定量与定性相结合的复合框架。 我们团队与公司内部主观团队一直保持着密切交流，在量化策略的搭建和迭代过程也会着重考量定性因素。比如， 对待一些价值类的策略，我们不仅关注公司估值的绝对水平，更着重剖析估值高低的内在成因，避免估值陷阱对 超额的损害，以求从企业基本面出发构建可持续的超额收益来源。我们不对单只股票进行精确的定价判断，而是 借助经济学逻辑、统计学模型和计算机算法，寻找股票之间简单、普适、稳定、有效的定价规律，发掘市场在股 票之间的定价错误，争取从中获取超额收益。
我们团队的特色可以用多视角、多资产、多因子、多策略这几个关键词来概括。 首先是多视角。这一特点取决于团队成员的多元化背景。我们现在团队成员从业经历包含 FOF 资产配置，自营 量化投资，机器学习，策略研究等，每个人的经验视角也不一样，在碰撞、交流中形成更加多元、有效的观点输 出。 其次是多资产。我们团队有丰富的多资产（A 股、港股、债券、黄金、海外股等），因此在日常的投研流程中不 会就（单一）资产论资产，而是习惯于从多资产的维度考虑，从而更容易发现找到不同资产下的互相映射。比如 说，债券的信用利差映射到股票，就是大小市值；期限利差映射到股票，就是成长和价值。我们始终认为，从多 资产的维度，才能更好发现某一类资产的系统性机会。 再来是多因子。多因子的表达，不仅仅是股票层面，而是一个多维度的概念，包括了宏观因子、中观行业、微观 股票的基本面和交易行为。我们团队把整个迭代体系统一化到了平台上闭环管理。所有因子的研究、形成的策略、 甚至指令，到最终形成交易，都在这个平台进行管理。这样，团队成员就可以把更多精力放到策略研发等更有价 值的工作上，避免重复劳动。 最后是多策略。我们团队从形成初期就致力于建立低相关的策略储备，对市场主流的风格比如价值、成长、质量 红利都有相应的产品覆盖和策略匹配。我们的目标是在市场不同环境下都游刃有余。另外我们整个大团队是主动 量化和被动指数两条业务线并行管理的。相比于完全被动的团队，我们的主动投研能力更强；相比于完全主动的 团队，我们的市场认知更多元化。
Q2：贵团队如何进行因子及策略储备？这个过程中是否有 AI 算法的介入？
我们认为因子是投资逻辑的数量化表达，因此多因子模型的核心是尽可能涵盖更多且不同的投资逻辑，让选股模 型囊括的有效逻辑尽可能地多样化，以提升不同市场环境中选模型的有效性，真正做到投资逻辑层面的多样性。 所以，我们认为因子不是越多越好，同质化的因子池只会对组合产生负贡献，而我们的因子库入库标准，并不局 限于传统的 IC（信息系数）、换手率、相关性等量化指标，更重要的是我们要求在构建新的入库因子时需要与库 中因子低相关，即在因子构建的理念和方法上需要存在差异化，每一个因子的入库都需要单独报告、单独审批。 到目前为止，我们因子库中已囊括 300 余条低相关的选股逻辑，由此衍生出约 1000 个低相关且有效的选股因子， 其中约 20%为基于财报等基本面数据、一致预期类数据构建的选股因子，80%为基于低频量价、高频量价数据构 建的选股因子。
我们团队的因子构建方法包括人工挖掘和算法挖掘两类。（1）人工挖掘：我们超过 80%的因子都是人工挖掘产生 的，人工挖掘因子的想法主要来源于对海内外各类文献的长期和定期跟踪，但因公开文献的因子一般无法直接复 现应用在 A 股市场，所以我们会对这类因子进行改造和衍生，构建出更适合 A 股市场环境的选股因子，进而落 入选股因子库。（2）算法挖掘：近年来市场不断变化，且变化速度逐渐加快，人工挖掘因子的效率逐渐减退，因 此我们借助算法的力量协助挖掘潜在的选股因子。我们采用的因子挖掘算法之一是遗传规划，仿照生物学种群演 化过程，从纷繁复杂的原始指标和原始算子当中，循环寻优找到具备潜在选股能力的因子，由于遗传规划是显式 寻优算法，即算法挖掘出来的是可以让人看明白的表达式，这就给我们人工的调优提供了空间，在算法寻优结束， 找到部分存在潜能的因子后，我们会人为进行二次筛选，剔除在选股逻辑上与已有因子高度相关的因子，保留在 因子搭建逻辑上存在差异化特征的因子，进而落入因子库，进一步提升我们选股因子库的多样性。我们的实盘策 略采用量化多因子模型结合深度学习，广泛考虑了不同类型的机器学习模型，挖掘微观交易结构信息，生成综合 交易信号，例如 XGBoost、LightGBM、CatBoost 等截面模型，LSTM、Transformer、TCN、GRU 等时序模型， CNN 等卷积神经网络，以及 GCN、GAT 等图模型，通过近千个选股因子对股票进行综合评估。 我们也会尝试结合人工与算法两种因子挖掘方式，最大化的提升因子挖掘的可能性，不是简单的输入日频数据， 输出日频因子，而是以混合频率、混合数据类型、混合来源的方式，增加遗传算法多样性空间，同时我们加入高 浓度基因片段敲除机制，提升算法挖掘多样性。
Q3：如何理解因子或策略样本内表现良好，但样本外快速失效的现象？
量化研究中确实很容易出现回测表现虚高、实盘不佳的状况，这是很多传统量化团队都会面临的问题。也正因如 此，我们团队高度重视量化策略的实战有效性，搭建科学严谨的策略验证体系。我们的策略必须经历严格的回测 和模拟盘跟踪后才能上线实盘。（1）回测中，我们会增加大量限制条件，充分考虑策略资金容量和市场偶然性的 影响。在严格的回测条件下仍能够获取稳定超额收益的策略，我们会考虑纳入候选策略库中；如果策略大幅突破 限制，意味着策略对交易的要求较高，实盘中难以实现，这时候就需要进一步优化策略。（2）回测针对的是历史 行情，会存在弊端，比如可以人工主观地去调整模型或组合优化器，让策略在回测中表现良好，但投入实盘后可 能表现较差。为应对这种拟合陷阱，我们在策略完成回测后，会将策略投入模拟实盘中，在每日模拟交易当中持 续观察策略的实际表现，时长不少于一个月，如果在模拟实盘中策略仍可以获取较好的超额收益，并且与回测阶 段的表现差异不大，我们才认为策略满足投入实盘交易的条件。（3）在通过以上几个步骤构建完成策略后，我们 会验证策略的有效性。我们无法预测未来的市场环境，而好的投资策略应当能够适用于不同市场环境，因此验证 有效性最合理的办法是将投资策略应用于过往的市场环境，看策略在长期且变化的历史环境下是否能够获取相 对稳定的超额收益。如果我们的策略在过往历史各类市场环境中，都能有效获取稳定的超额收益，那我们构建的 策略有信心投入实际交易后也能够创造持续的超额收益。能够在不同环境下表现都良好的选股策略，未来维持良 好表现的概率也更大。
Q4：假如实盘上 alpha 策略持续大幅回撤，团队如何干预应对？
当某一有效的选股因子被越来越多地使用，因子就会趋于失效，典型的案例是超预期因子。2017-2021 年间，超 预期因子都是极为有效的选股因子，而当行情演绎到极致，超预期因子反转，超预期个股不再能带来超额收益， 反而贡献的是超额负收益，至此，超预期因子在某种程度上由选股因子转化为了风险因子。 对此，我们的观点是没有绝对的 alpha，也没有绝对的 risk，因此不会轻易判断因子失效。当一个因子的投资逻 辑不为人所知，并且它能够帮助我们有效筛选出好的个股时，它便是我们认知当中的 alpha 因子，具有稳定的选 股能力，而当投资逻辑被越来越多的使用后，它便由 alpha 因子转变为风格因子，因子不再具有稳定的选股能力， 而是变成周期性变化的风格特征，而这种风格因子又可以运用于组合优化器中，帮助我们有效提升超额收益稳定 性。我们会定期观察因子库中的全量因子表现，当因子不再具有稳定的选股能力时，我们会将其转变为风格因子， 放入组合优化中进行中性化处理，以提升我们的超额收益稳定性。只有当因子出现长期失效，并且也不存在周期 性的风格特征时，我们才会判定因子失效，将该因子调出因子库停用。 出库的因子，也并非直接抛弃、不再使用，而是在不占用生产交易计算资源的前提下，继续跟踪其表现，当我们 观察到本已出库的因子又出现了较好的选股表现，该因子会考虑作为一个新因子再次尝试入库，包括计算 IC（信 息系数）、换手率、覆盖率，同时会评估该因子是否与库中已有因子在逻辑层面存在相似性等，满足上述条件后， 因子将入库重新被使用。
Q5：这两年分域选股的理念在量化圈十分盛行。对此，贵团队如何看待？
不同的股票池中，因子的优劣也不同，相同的模型结构在不同的股票池中也会选择不同的因子，这就要求我们训 练模型时，针对不同的基准指数筛选合适的 alpha 因子。我们团队采取的分域训练是一个精细化的学习过程，将 选股的大任务，拆分为若干子任务，再针对各个子任务搭建子模型，让子模型成为子任务的专家，最后叠加各个 子模型观点，就能够得到更为强大的选股大模型。 举例来说，在 A 股市场，不同的股票类型之间存在较大差异化的定价逻辑，比如 TMT 和食品饮料，传统的量化 团队偏向于用一个复杂的大模型去学习所有股票中的规律，就像让一个人去看所有板块的股票，这样的工作效率 无疑是较低的。我们的做法很简单，就是将不同类型的个股拆分开，TMT 的个股由 TMT 模型去判断，食品饮料 的个股由食品饮料模型去判断，最后综合各个模型的观点后形成投资策略。不仅是股票类型存在这样的典型差异， 在因子类型上也同样存在差异，例如量价类因子的预测周期较短，换手较高，一般在中小票中有效性较强，而基 本面类因子一般预测周期较长，换手较低，一般在中大票中有效，传统量化团队偏向于用一个模型去学习所有类 型因子的规律，我们的方式是区分开两种模型，量价模型围绕量价特征，基本面模型围绕基本面特征，综合两种 模型后再打分。
工银瑞信基金管理有限公司是中国工商银行控股的基金管理公司，成立于 2005 年 6 月。成立以来，公司坚持“以 稳健的投资管理，为客户提供卓越的理财服务”为使命，依托强大的股东背景稳健的经营理念、科学的投研体系、 严密的风控机制和资深的管理团队，立足专业化、综合化、国际化、数字化，坚持“稳健投资、价值投资、长期 投资、绿色投资、责任投资”,致力于为广大投资者提供一流的投资管理服务。 公司秉持“以人为本”的理念，全方位引入国内外优秀人才，组建了一支风格稳健、诚信敬业、创新进取、团结 协作的专业团队。目前，公司（含子公司）共有员工 793 人，84%以上的员工拥有硕士以上学历。公司投研团队 由资深基金经理和研究员组成，投研人员 225 人，投资人员平均拥有超 12 年的从业经验。 经过十多年的发展，工银瑞信（含子公司）已拥有公募基金、私募资产管理计划、社保基金境内外委托投资、基 本养老保险基金委托投资、保险资金委托投资、企业年金、职业年金、养老金产品等多项产品管理人资格和 QDII、 QFII、RQFII 等多项业务资格，成为国内业务资格全面、产品种类丰富、经营业绩优秀、资产管理规模领先、业 务发展均衡的基金管理公司之一。 工银瑞信（含子公司）以持续优秀的投资业绩、完善周到的服务，为广大境内外个人和机构投资者提供涵盖公募 与私募、上市与非上市、境内与跨境业务的财富管理服务，赢得了广大基金投资人、企业年金客户、私募资产管 理计划客户等的认可和信赖。截至 2024 年 12 月 31 日，工银瑞信（含子公司）旗下管理 254 只公募基金和多个 年金、私募资产管理计划，资产管理总规模超过 2 万亿元，养老金管理规模居行业领先。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
