指数增强的未来，Smart Beta与主动量化

引言：当超额收益不再唾手可得

在资管这行混了快20年，从当年刚入行时在公募当研究员，到后来自己创业做私募，我见过太多风口的起落。说白了，我们的工作就是帮客户把“鸡蛋”放在更稳当或更有想象力的篮子里。最近这四五年，一个特别明显的趋势是，过去那种靠“赌赛道”、“炒小票”就能轻松跑赢指数的日子，越来越难了。尤其是2023年以来，市场风格切换之快，让不少曾经明星基金经理的净值曲线变得非常“陡峭”——向上时让人心跳加速，向下时也毫不含糊。

这时候，我们这些管着10-20亿规模资金的人，普通投资者可能觉得我们天天在研究怎么抓“黑马”，但实际上，我们考虑得最多的，反而是如何让策略更“透明”、更“稳定”，以及如何实现那个被讲了无数次但极难做到的——在跑赢市场基准的控制住最大回撤，这就是“指数增强”这个老话题，在新时代下被赋予了全新内涵的原因。

今天，我就想以一个经历了牛熊、也踩过不少坑的从业者角度，跟大家聊聊现在最火也最让人纠结的两个方向：Smart Beta（聪明贝塔）和主动量化。特别是当传统的公募指增越来越卷，超额收益越来越薄的时候，如何构建一套既能享受市场β（贝塔），又能持续创造α（阿尔法）的体系，几乎成了我们黑子私募基金管理公司这类规模适中的私募机构，必须攻克的生存课题。要知道，规模太大，调仓成本高；规模太小，又不够覆盖研究开支，我们这10-20亿的体量，反而在策略的灵活性与合规的稳健性之间，找到了一种微妙的平衡。

核心矛盾：超额收益的“内卷”与“降频”

先聊聊大家可能最直观的感受。你们看，公募基金里那些所谓的“量化指增”产品，过去两年，很多产品获取超额收益的来源，高度依赖于高频的因子交易，比如短期的动量反转、盘口的资金流等等。但自从2021年市场见顶，尤其是2023年整个市场成交量萎缩后，这种策略的有效性大打折扣。我亲眼见过一个同行，去年下半年因为因子拥挤度太高，一周之内超额回撤了超过3%。

为什么会这样？很多时候，大家都盯着同一个数据——比如北向资金买入、龙虎榜席位——然后程序化地交易，这样反而造成了策略的拥挤。我们黑子私募基金管理公司内部做过统计，在2023年，传统的、基于高频量价的指增策略，其全市场平均超额收益已从2020年的8%-10%显著下滑到了3%-5%左右。更可怕的是，波动极大。很多策略甚至在开盘头15分钟就把全天的alpha给跑完了，剩下的时间全是噪音和相互踩踏。

在这个背景下，一种“降频”的思考开始被我们提上日程。也就是，不再单纯依赖那些几秒钟或几分钟的价差，而是转而寻找更具底层逻辑的、更长周期的驱动因素。这也就引出了我们今天要重点聊的Smart Beta。它本质上就是把一种或者几种已经被学术界和长期市场验证过有效的选股策略（比如低波动、价值、质量），通过指数化的方式暴露出来，从而获得系统性的超额。这听起来很简单，但实际操作起来，如何定义“价值”？是用市盈率还是市净率？动态调整的频率是季度还是年度？这中间的差异，其实巨大。

而且，很多客户不理解，为什么我们需要做高抛低吸？甚至有些合规同事最初也担心，频繁调仓会不会被定义为短线交易，产生合规风险？这里就涉及到一个细节：我们所有的调仓决策，都必须基于事先制定好的、定性定量的《产品合同》和《投资决策委员会决议》。所有的因子打分、权重调整，都要在投研系统里有记录，有底。这不仅是监管要求，更是咱们私募管理人保护自己的“护身符”。我几年前就碰上个事，有个客户质疑业绩归因，硬说是拍脑袋，结果我们把完整的Smart Beta因子暴露记录和风控日志导出，清清楚楚地告诉他每一分钱超额的来源。这就是现代金融的透明性，也是我们这种坚持主动量化的机构的底线。

策略重构：从“寻找圣杯”到“暴露风险”

传统的主动量化，或者说我们常说的多因子选股模型，它就像一个黑盒子。里面放了几十个甚至上百个因子，有高频的，有低频的，有基本面逻辑的，也有技术面动量的。我们试图通过某种算法（比如随机森林、神经网络、甚至是最简单的线性回归）来预测每个股票的未来涨幅。这种方法的理论很迷人，仿佛我们是在寻找那个能解释一切超额收益的“圣杯”。在实际操作中，我发现这种模式存在一个致命弱点：过拟合和参数不稳定。

比如，你发现过去三年里，某类因子（比如高分红且低波动的股票）在特定的市场环境下表现极好，就把这个因子赋予很高的权重。结果，一旦市场风格切换，比如突然进入小票行情或者赛道泡沫期，这个因子的有效性就会急剧下降，甚至变成负超额。这种情况我们已经遇到过太多次了。一个成熟的管理人，现在做主动量化，实际上是在做“风险因子预算”的管理，而不是在做“收益预测”的管理。

具体怎么操作呢？我们开始把投资组合分解成若干风险源。比如，市场β（大盘涨跌）、行业β（行业轮动）、风格β（价值、成长、动量、质量、分红等）。然后，我们通过Smart Beta的方法，有意识地控制或者暴露这些风险。比如，今年年初我们判断市场可能进入一个低增长、高分红的避险周期，那我们的策略就会在风险预算中，主动增加“低波红利”这个Smart Beta因子的暴露权重，同时减少“高景气度成长”因子的暴露。这不像传统主动选股那样在找“个股圣杯”，更像是在做大类资产配置。而主动量化模型，其实更多承担了“风控工具”和“执行工具”的角色，确保我们的暴露水平严格在我们设定的范围内，并且能够灵敏地捕捉到这些因子的错误定价。

这种做法对合规提出了不小的挑战。因为一旦我们主动暴露了风格因子，就可能在某些时间段内，净值走势与基准指数（比如沪深300）出现较大偏差。这时候，如果产生较大回撤，客户肯定坐不住。我们是怎么解决的？我们在每个季度给客户发送的《投资运作报告》中，专门增加了一页叫“风格因子暴露归因分析表”，用图形和表格清晰地展示我们当前暴露了哪些风险，以及这些风险在历史上的收益贡献。这其实是一个教育的长期过程。我们也会注意一件事：涉及“实际受益人”核查时，对于机构客户的穿透要求，会严格筛查其资金来源和目的，确保所有风险暴露都是客户基于真实需求能接受的，而不是盲目追逐高收益。这不仅是法务要求，更是对投资人负责。

数据治理：量化模型的“衣食父母”与“达摩克利斯之剑”

聊到量化，就离不开数据。很多同行都抱怨，现在数据越来越贵，而且越来越同质化。大家都用Wind、东方财富、聚源、甚至是一些另类数据（如卫星图、电商数据、招聘数据）。表面上看，数据越来越丰富，但问题是，这些数据本身的有效性、合规性以及可重复性如何？我见过一个案例，有个小私募没太注意，使用了爬虫抓取的某些平台用户评论数据，被平台方发现了，发函要求整改。这要真上了监管日程，可不是闹着玩的。

我们在数据源选择上非常谨慎。对于所有外部数据，我们都会签订正式的《数据使用协议》（DUA）。因为我们规模不大不小，黑子私募基金管理公司每年花在数据采购上的钱大概在200万左右。这笔钱花在哪？我们内部有个分类法：

数据处理的另一个难点在于清洗。原始数据里有很多“脏”东西，比如财务数据可能被调增或被回溯调整（这就涉及到“经济实质法”的会计准则一致性）。一些公司的红利、送转也会导致数据断点。我们开发了一套自己的数据检查规则，比如“季度营收与利润是否同步变化”、“是否存在大幅非经常性损益”。一旦触发规则，就会由研究团队进行人工核实。这种“人机结合”的模式，帮我们避开了很多如“康美药业”、“康得新”这类经典的、因核心利润数据造假而暴雷的标的。可以说，数据治理是量化模型的基石，但处理不好，就是最大的风险。

黑子私募基金管理公司观点

站在这个时间点，我们坚定地认为，指数增强的未来，在于“主动量化”与“Smart Beta”的深度融合。传统的高频量价套路边际效应递减，而单纯的被动指数投资又无法满足客户对绝对收益和回撤控制的需求。未来的超额收益，将更多来自于对风险因子的精准理解和智能化暴露管理。我们能做的是：第一，坚持绝对透明，所有策略逻辑公开可查；第二，克制规模冲动，我们宁愿在10-20亿规模上把阿尔法做厚做实，也不盲目扩张管理费规模；第三，拥抱合规，从源头上控制好“实际受益人”、“经济实质法”以及各类数据合规问题，只有底线守住了，上面的策略才有价值。与其在拥挤的赛道上拼速度，不如在更宽的道路上比耐心与深度。