机构量化投资正处在变局之中，基金局中局一方面在于机构与市场beta的雷俊逐步趋同，导致机构量化投资难以跑出优势；另一方面在于市场定价效率显著提高，于变传统量化使用较多的开新基本面因子收益逐步收窄。
自2004年中国市场推出ETF，长城19年的基金局中局发展历程中ETF数量及规模不断壮大，大量资金流入ETF市场。雷俊ETF的于变快速增长显著提升了市场有效性，使得被动指数投资在资金驱动的开新市场中更具优势。逐年增长的长城被动型复制性产品吸纳了大量市场资金，机构投资者在大盘指数中的基金局中局持仓比例提升，指数结构因此变得更加机构化。雷俊这意味着，于变机构战胜市场的开新难度变得更高。
在信息高效传输的当下，市场定价效率更进一步，很多信息可能发布不到十分钟，甚至在发布前十分钟就会被市场完全吸收。高效的市场环境中，信息差带来的红利逐步收敛，行业加速分化。在量化投资中，随着市场的充分定价，基本面因子定价效率也不断提高，使得因子收益有所下降。这可能是投资者因子选择的趋同或紧缩的市场资金环境所致。
挑战背后，我们依然捕捉到时代的机遇。量化投资仍有利好，第一点是投资广度的回归。从A股上市公司的结构变化来看，十年前大约有2000多家上市公司，而现在已经增加到5000多家，且市值普遍偏小。全面注册制实行之后，小盘股效应更加明显。从流动性角度来看，不管是专注于小盘股、微盘股还是某一细分领域的投资，量化都是适用的。
第二点是市值因子的回归。今年以来小微盘股表现较好，一方面是由于弱复苏、宽流动性的宏观背景，另一方面是由于新产业趋势及政策面利好。目前来看，小市值趋势或将阶段性持续。存量市场中，量化投资仍然可以捕捉到不错的短期机会。
第三点是AI的赋能。传统量化投资中，线性思维容易导致模型错失有效的因子收益信息，在因子的挖掘端和合成端都欠缺非线性思维。而机器学习则能很好地构建非线性模型，扩展到文本、图像等非线性数据的挖掘。在算力和数据充足的情况下，通过文本挖掘因子化和图像挖掘因子化，我们可以为量化投资带来新的赋能。同时，在深度学习的框架下，时间序列的模型更加丰富。因此，在AI赋能下，因子挖掘可以通过注意力机制和时间序列建模等方法增强收益，在非线性模型中与因子合成等其他环节形成收益互补，量化模型最终形成的系统中包含大量的非结构性数据，能够进一步扩充庞大的因子库。
2023年，我们在中小市值产品上全面拥抱AI，于变局中开新局。传统量化一般使用残差回归做风险控制和因子挖掘，而现在我们可以在网络结构的不同层中自由调整损失函数（loss function），以实现控制特定风险下的因子挖掘，力争描述端到端的因子和风险的投资机会。利用人工智能实现精细化，可以降低产品的相对波动，优化投资体验。
在量化投资中，深度学习等AI技术适用的市场是非常广泛的，相关的研究及应用也显著增加。对我来说，在哪个产品上运用AI赋能、如何让投资者更好接受，才是更大的考验。
注：随着市场行情等因素变化，以上观点可能会更改且不另行通知，基金有风险，投资需谨慎。
免责声明：本通讯所载信息来源于本公司认为可靠的渠道和研究员个人判断，但本公司不对其准确性或完整性提供直接或隐含的声明或保证。此通讯并非对相关证券或市场的完整表述或概括，任何所表达的意见可能会更改且不另外通知。此通讯不应被接收者作为对其独立判断的替代或投资决策依据。本公司或本公司的相关机构、雇员或代理人不对任何人使用此全部或部分内容的行为或由此而引致的任何损失承担任何责任。未经长城基金管理有限公司事先书面许可，任何人不得将此报告或其任何部分以任何形式进行派发、复制、转载或发布，且不得对本通讯进行任何有悖原意的删节或修改。基金管理人提醒，每个公民都有举报洗钱犯罪的义务和权利。每个公民都应严格遵守反洗钱的相关法律、法规。基金有风险，投资需谨慎。
责任编辑：杨赐
(责任编辑：焦点)