来源：证券时报

受多重因素影响，不少顶着“超额”光环的指数增强基金年内却表现一般。Wind数据显示，纳入统计的400多只指增基金中，有超三成的产品年内跑输业绩比较基准，与“增强”初衷背道而驰，且相较普通指数基金更高的管理费率也进一步影响了基民的投资体验。

有公募人士指出，科技单边上行以及策略趋同等因素成为超额收益难寻的主要因素。面对低利率时代的新挑战，公募量化机构正试图通过引入AI技术深挖非线性定价规律、加速模型迭代以及严格控制跟踪误差等方式，推动指增投资策略的持续进化与破局。

(资料图片)

超三成指增基金跑输业绩基准

据Wind数据，纳入统计的475只指数增强型基金中，年初至今相较于跟踪的业绩比较基准平均超额收益率仅有1.46%，其中有161只产品甚至跑输基准，占比约为33.8%。

其中，华北和华东两家公募旗下各有一只产品年内跑输基准超过20个百分点，其中不乏多只跟踪科创板相关指数的产品，共计18只基金跑输基准超过10个百分点，与“增强”的初衷背道而驰。

榜单的另一面，亦有不少产品持续跑赢基准。易方达沪深300精选增强年内涨幅高达36.58%，超额收益高达31.66%，基金经理在一季报中就研判表示：根据指数成份股变化与对市场形势的判断，该基金进行部分结构调整，减少非银金融、家电、传媒等行业的配置，对部分行业的前景转向乐观，增加电子、通信、石油石化等行业配置。

因此，截至一季度末，该基金重仓股中，与业绩比较基准相比超配了沪电股份、深南电路、东山精密、工业富联等AI高弹性个股，正是通过对科技核心资产的精准超配，该产品在基准指数的基础上实现了巨大的净值跃升。

此外，华夏科创50指数增强、东方沪深300指数增强、天弘国证2000指数增强等共计23只产品年内跑赢基准超过10%。

两大因素导致跑输

据了解，目前，国内公募市场上的指数增强基金，绝大多数依托于量化多因子模型进行投资决策。这些模型通过海量历史数据的深度挖掘，将影响股票价格的因素抽象为各类因子，并据此构建投资组合。

在常态化、具备一定规律性的市场中，理论上量化模型如同精密的收割机，能够持续不断地从市场的微小定价错误中获取超额收益。对于年内超三成指增基金跑输基准的现象，多位公募基金人士指出，主要系科技行情较为极端以及量化策略趋同导致。

“公募量化的量价类比较拥挤，导致今年整体表现一般。”华东某掌管指增基金的基金经理解释称，当一只业绩优秀的指数增强基金吸引了海量资金涌入，规模急剧膨胀后，其原本精细化的交易策略便会面临严峻挑战。规模过大导致基金在进行股票调仓时，不可避免地会产生巨大的冲击成本。为了容纳更多资金，基金经理不得不买入模型排名靠后、阿尔法预期较低的股票。

“此外，公募的策略无法做到私募那样高频，都是降频以后的‘类高频策略’，也限制了超额收益的获取。”前述基金经理表示。

华北某公募基金基金经理指出，指数增强基金跑输业绩基准可以归结于两大市场特征：

首先是市场微观结构发生极端分化，流动性向少数标的急剧收敛。数据显示，5月份全市场近一半(约40%至50%)的交投金额被排名前5%的热门股票“虹吸”。这与量化多头历来崇尚的广泛撒网、高度分散的持仓理念形成激烈冲突，极致的二八行情极大压缩了量化模型获取超额的施展空间。

其次是中小微盘股遭遇深度调整，直接对量化多头的整体净值造成拖累。若从底层因子层面对比，当月动量因子大放异彩，而传统的反转与均值回归因子则持续疲软，这使得那些重仓反转逻辑的指增产品，其超额收益遭遇了剧烈的阶段性缩水。

策略能否不断迭代很关键

“当前市场最大的变化在于，我们正身处一个低利率时代。在权益风险溢价被压缩的宏观背景下，传统的行业轮动和单纯的赔率交易正变得日益拥挤且低效。”天弘基金指数与数量投资部负责人杨超在近期的内部交流中剖析。

关于模型的迭代，杨超认为，可持续的纯阿尔法就是要不断迭代，尤其是模型的迭代。首先，AI的时代红利会给我们带来一些新的算法引入。其次，能否挖掘到新的数据，比如说一些第三方的、结构化的数据。此外，量化投资早年比拼的是想法，现在比拼的是算力、是信噪比、是工程能力等，能不能在每一个环节上，都做到比别人更强。

“到最后，量化投资比拼的是公司治理，公司的投研平台、机制等，能不能驱动投研不断把模型迭代下去，因为所有模型每半年可能都会被迭代掉。”杨超指出。

东方基金也介绍，该公募旗下量化投资体系中，风险控制以平衡的艺术为理念核心，严控跟踪误差及个股权重。指增产品风控体现在两个层面：一是跟踪误差控制，防止风格和行业集中；二是单个股票权重控制，防止个股过度暴露。如若某只个股在沪深300中权重仅为1%，但量化模型给出的初始权重高达8%，风险模型会把它拉回来。

广发基金基金经理李育鑫则将AI技术运用到超额收益的获取上。李育鑫解释道，一方面，在因子的挖掘上，个体对于市场的认知与理解存在一定的局限性，借助AI技术能够发现隐藏在更深层次的定价规律，从而弥补传统认知的不足。另一方面，在因子的整合上，传统方法是使用简单的线性模型对不同因子进行合成，容易错过市场上的非线性信息；AI技术可以通过更高维的信息处理方式，发现市场中的非线性定价规律，弥补传统线性模型的不足，显著提升阿尔法因子的挖掘效率和效果。

标签： 基金 基准 模型 迭代