富国基金苗富：量化如何选股？|富国基金|稳健性|股票|苗富|选股

来源：郁言债市

访谈金句分享

实际上AI目前量化投资的影响不仅仅是在选股上，而在量化投资的所有的环节上包括数据特别是非机构化数据的清洗、市场规律的挖掘、组合优化和风险管理、甚至包括优化交易执行。与统一大语言模型不同，AI在量化中的赋能呈现的是一系列的小模型，这些小模型需要工程师结合量化每一个环节的具体业务复杂度、数据禀赋、业务决策目标与成本等角度的理解设计一系列垂直小模型。

AI量化选股的核心是通过工程师设计不同的学习场景、以及AI强大的拟合学习能力来更好更全面的理解市场，包括理解市场的收益与风险，尽量让估计出来的分布尽量接近市场真实的样子。在此基础上才能让模型适应不同的目标诉求，到底是追求稳健、还是高波、或者低回撤等等。

“分散”和“锐度”并不是互为反义词。分散的反义词是集中，描述的是投资组合中风险、资金或持仓的分布方式；而锐度描述的则是策略观点的鲜明程度、主动暴露的强弱以及收益来源的确定性。前者回答的是“风险和资金分布在哪里”，后者回答的是“策略下注是否明确、主动判断是否强烈”。因此，一个策略完全可能同时具备较高的分散度和较强的锐度。

不同策略的生命周期也不同，肯定要调整的。但是我们更加应该看着调整的依据和目标，而不是调整的方式。很多时候这里面需要纪律性的，甚至反人性的。如果片面地去追过去表现好的策略，往往不尽如人意。要了解调整的依据，和科学评价这种调整策略的回测效果，而不是线性外推。

量化研究通常先利用历史数据进行回测，再把模型应用到样本外市场。如果模型找到的是具有普适性的定价规律，未来仍可能继续有效；如果模型捕捉到的只是某段特殊行情中的短期规律，甚至是没有真实经济含义的假性规律，进入样本外后就可能失效，这就是过拟合。过拟合是量化研究长期需要面对的问题。为降低风险，可以设置一段样本外观察期，例如让模型接受数月新数据的检验，确认其表现后再决定是否正式上线。

感谢大家对郁见投资的关注，第156期非常荣幸地邀请到了富国基金苗富，分享“量化如何选股？”。

苗富，自2018年7月加入富国基金管理有限公司，历任助理定量研究员、初级定量研究员、定量研究员、量化投资部量化投资总监助理、高级定量研究员；现任富国基金量化投资部量化投资总监助理兼定量基金经理。自2025年07月起任富国致航量化选股股票型证券投资基金基金经理；自2025年07月起任富国致弘量化选股股票型证券投资基金基金经理；具有基金从业资格。

量化选股的流程框架是什么？

量化选股的流程和主要框架，大致可以分为三个环节。

第一个环节是阿尔法模型，也就是选股和打分。市场上有5000多只股票，如果单靠人去盯，肯定很难全部覆盖。阿尔法模型的作用，就是不同时刻对全市场股票进行打分，判断哪些股票未来可能表现更好。比如在5000多只股票里，模型可能先选出大约200多只股票，认为这些股票未来表现相对更好。这是量化流程里的第一步，也是非常核心的一步。

第二个环节是组合优化和风险模型构建。选出股票之后，并不是简单把这些股票全部买进去，而是还要考虑组合的分散性。比如这200多只股票，不能全部集中在科技行业，也不能全部集中在某一类低估值股票上。量化组合需要在行业、风格等维度上做分散，使组合结构更加均衡。除此之外，量化能学到很多不同领域的收益，因此做组合优化，也可以让收益来源更加多样化，提升组合表现的稳健性。比如虽然小盘量化更容易赚钱，但是不代表成长风格里面量化赚不到钱，通过这样组合优化，可以发挥出优秀量化模型的真实实力。

第三个环节是交易执行。即便组合里有200多只股票，也不是每次交易时都把这200只股票全部交易一遍，而是会根据实际情况选择其中一部分股票进行交易，从而节省交易成本。

最后，上面三个部分不是割裂的，而是有机统一的。不同模型的信号时效长短不一，而个股的特质波动性特征也表征着不同的风险水平，个股流动性也隐含了不同的交易成本，需要在“信号时效”、“风险分散”、“交易成本”之间找一个平衡。也就是说，量化并不只是把股票选出来，从选股、组合构建，到最后怎么把单子下出去，是一整套工程。

不同量化管理人的差别主要体现在哪里？

在量化的三个环节里，最重要的其实是第一个环节，也就是股票打分环节。不同管理人之间的差别，核心也体现在用什么样的方法给股票打分、用什么样的模型筛选股票。这就是我们通常说的量化投资模型，或者量化投资框架。

比较早期、比较传统的一类框架，是线性多因子模型。可以把它理解成给学生打分，我们可能会从德智体美劳多个角度评价一个学生。对于股票也是类似的，可以从很多角度进行打分，比如公司的成长性、盈利质量、竞争壁垒或护城河、估值水平，以及股票在市场交易层面的表现等。把这些因素合在一起，就可以构造一个打分模型。这是比较传统的一套量化框架，优点是解释性强、容易扩展调整。

后面大家也会区分公募量化和私募量化。公募量化和私募量化在资源禀赋、交易频率上会不太一样。公募量化能够接触到较多公司研究资源，包括上市公司调研资源，同时交易频率相对较低。所以公募量化在因子框架中，可能会更多使用基本面因子，也就是所谓的基本面量化。富国基金量化也是国内最早的基本面量化团队之一。

相比之下，私募量化或者偏私募的做法，可能会更多采用市场因素类因子和模型，比如动量、反转、换手率、波动性等，也包括从高频交易数据中基于统计模型构造出来的一些统计规律因子。这些因子有时候不一定特别容易理解，但会更多体现市场交易行为和市场情绪，因此换手率也会更高一些。

当然上面提到的都是结构化做法，即因子的构造过程是逻辑透明或者确切的某种形式化的符号表达，这个过程类似于构造某种机械结构，每一个零件、齿轮都按照某种经验定律设计。而AI就是非结构化的做法，能挖掘出一些更高维空间的隐性勾稽关系，效果更好，但是偏黑箱，碰到回撤不太好改。

AI在量化投资中主要有哪些应用？

AI在量化环节里的应用已经很多，可以大致分为两类。

第一类是投研辅助，也就是在投研框架外围发挥作用。比如AI可以帮助整理研究报告，整理新闻等偏文本类型的数据，也可以辅助写代码、做代码初步开发和debug。这些工作更多属于投研外围的辅助环节。最近一两年，大语言模型出来以后，这类应用会更多一些。因为大模型本身是语言模型，所以它处理语言类工作非常擅长，比如处理文本、整理信息、辅助编码等。

第二类是更接近量化选股本身的AI模型。大语言模型的本质也是神经网络，只不过它的输入端是自然语言，也就是我们用一句一句人类语言和它聊天、提问，然后对输出的自然语言分布进行预测。但同样是神经网络结构，输入端也可以不是自然语言，而是量价数据、公司财务基本面信息等。把这些数据输入到模型里，模型就可以输出预测股价或预测股票未来涨跌等信息。

这种模型和大语言模型的差异，主要在输入端和输出端不同。大语言模型输入和输出都是自然语言，而用于量化选股的小模型，输入的是量价、财务、基本面等数据，任务是预测未来股票收益率。回到量化选股这个问题，这类小模型就可以被称为AI量化选股模型。

实际上AI目前量化投资的影响不仅仅是在选股上，而在量化投资的所有的环节上包括数据特别是非机构化数据的清洗、市场规律的挖掘、组合优化和风险管理、甚至包括优化交易执行。AI在这些环节不仅仅是人工替代逻辑更有发现人脑难以理解的非线性规律的增量逻辑。与统一大语言模型不同，AI在量化中的赋能呈现的是一系列的小模型，这些小模型需要工程师结合量化每一个环节的具体业务复杂度、数据禀赋、业务决策目标与成本等角度的理解设计一系列垂直小模型。

AI量化选股的核心，是不是寻找未来上涨概率更大的股票？

从结果上看，是的。但AI量化选股的核心是通过工程师设计不同的学习场景、以及AI强大的拟合学习能力来更好更全面的理解市场，包括理解市场的收益与风险，尽量让估计出来的分布尽量接近市场真实的样子。在此基础上才能让模型适应不同的目标诉求，到底是追求稳健、还是高波、或者低回撤等等。

但具体到模型框架，输入端会有所不同。也就是说，我们可以给AI模型不同类型的输入，它就会寻找出不同的规律。股票涨跌有很多驱动因素，有些可能来自宏观因素，有些可能来自公司业绩，有些可能来自估值，也有些可能来自资金流。

所以不同AI模型，即便最终目标都是理解市场，但由于输入数据不同、模型构造不同，底层捕捉到的定价规律也不一样。有些模型可能抓到的是宏观驱动的定价规律，有些模型可能抓到的是业绩驱动的定价规律。也就是说，AI量化选股并不是只有一个模型，而是可以有很多不同的小模型，每个模型捕捉的规律点可能都不一样。

建模就像盲人摸象一样，由于市场是一个复杂系统，某一个模型或许仅仅只能触及的局部规律，所以有时候需要采取多个模型来更好地勾勒出市场的收益与风险的分布与形状。

量化基金如何控制回撤？

广义来看，量化基金控制回撤主要依赖分散。总的来说，就是两个层面：在你不熟悉的领域上保持风险敞口紧约束同时在你以为擅长的领域上放开敞口，并注意适当的分散去平衡。

第一点是分散持股、行业和风格分散。量化基金的持股通常非常分散，有些量化基金持股数量可以达到七八百只，单一个股的风险事件不会对组合造成太大的影响。行业分散比较容易理解，就是每个赛道、每个行业，包括二级行业，都不会偏离太多。即使模型再不看好某个行业，也不能低配太多；即使模型再看好某个行业，也不能高配太多。除了行业分散，还有风格分散。量化里对风格这个概念会看得更多，比如成长价值风格、小市值风格、波动率风格、流动性风格等。有些股票偏高流动性，有些偏低流动性；有些偏高波动，有些偏低波动。量化组合会尽量在这些不同风格上做到分散。

当然，上述分散化管理通常建立在一个前提之上：选股模型能够识别个股机会，但并不擅长行业轮动或风格轮动。然而，现实中也存在许多专门进行行业和风格轮动的量化模型。对于这类模型而言，适度集中行业或风格暴露，反而可能是其获取超额收益的重要来源。因此，究竟哪些风险需要控制，哪些风险可以主动承担，最终取决于具体模型的能力边界。不同模型、不同量化管理人对于收益和风险的定义，并不是静态或客观的，而是会随着市场环境和投资框架变化而动态调整。所谓“彼之收益，我之风险；彼之风险，我之收益”，正体现了不同策略对同一风险来源的不同理解。市场需要多样性和差异性，只有不同类型的投资者从不同角度进行定价，才能减少策略拥挤，也更符合市场平稳运行的基本逻辑。某种意义上说，市场参与者正是通过各自不同的能力圈和投资框架进行“分工”，共同推动价格发现和市场有效性。

第二点是理解自己量化模型的收益来源在哪里，盈亏往往同源，要分散不同的收益来源，尽可能让不同的收益来源低相关。

如果量化组合太分散，会不会影响收益锐度？

例如，一个指数增强组合持有300只股票，单只股票的权重偏离都不大，但整体明显偏向高质量、低波动和强动量股票。这种组合在个股层面较为分散，但在因子层面可能非常“锐”。反过来，一个只持有30只股票的组合，如果行业、风格和因子暴露都比较中性，个股权重也较为均衡，那么它虽然在持仓数量上更集中，却未必具有很强的策略锐度。

因此，重要的议题不是“分散还是锐度”，而是策略应该在哪些风险来源上分散、在哪些有效信号上保持锐度，以及这种锐度是否与策略的容量、流动性、回撤承受能力和投资目标相匹配。成熟的策略并不追求单一维度上的极端，而是让分散承担组合稳定性，让锐度承担超额收益来源。

量化相比主观投资，在分散上有什么优势？

量化的一个优势，是可以减少人的路径依赖。主观投资往往会受到基金经理个人经历、研究背景和能力圈的影响。每个人的成长都有一条痕迹，也容易形成路径依赖。比如一个科技行业出身的人，可能天然更熟悉科技股，也更愿意买科技股，而不会去买一些传统行业股票。

量化模型不太一样，它是程序化评分，可以在全市场范围内寻找投资机会。它不会像单个基金经理那样受限于个人精力和个人偏好。因此量化更容易做到持股数量分散、行业分散和风格分散，也更容易避免“喜欢的股票都长一个样”的问题。

这也是量化带来的一个重要好处：它可以通过模型和规则，在更大范围内选择股票，并用制度化的方式控制组合不要过度集中在某一类股票上，也在一定程度上降低了组合的风险。最后，量化模型克服在投资交易中可能出现的情绪偏差，这使得你的实际投资决策是严格按照你的研究执行，不会受到当时的非研究因素的干扰。

总结来说，在能力圈、精力、情绪维度上，量化相比主观都有优势，能力圈优势指没有过多路径依赖；精力优势指量化可以全市场评分选股；情绪优势指量化的纪律性。

量化基金如何提升业绩稳健性？

第一点，是风险控制。风险控制一直存在，而且风险控制会告诉我们一个基金的最大回撤大概在哪里。比如采用比较紧的约束，历史回撤下来，相对最大回撤可能在6个点；如果采用比较松的约束，相对最大回撤可能在10个点。由于风险控制是一套比较严格执行的机制，所以它在未来相对比较稳定。即便未来市场风格不太适合当前交易框架，只要风险控制还在，基金最多的下跌幅度应该也在一个可以估量的范畴内，而不是无底洞式的风险。

第二点，是量化多策略。现在一个单一量化基金里，往往不止运行一套策略，而是有很多因子、多个类型的策略。可以把每个策略理解成一个基金经理或一个交易模式。多策略的目的，是希望做到“东边不亮西边亮”。有些策略可能适合牛市进攻，有些策略可能适合熊市防守。通过多个策略均衡配置，希望产品在不同市场环境下都有相对稳健的表现。

第三点，是策略背后的持续迭代。市场风格会变化，策略也可能失效，所以背后需要研究团队持续跟踪因子和模型，定期迭代和更新。失效的策略要下架，有效的策略要补充进来，才能持续保持策略框架的生命力。

第四点，是保持对市场的敬畏，提升对收益与风险的认知。比如对盈亏同源的理解，对过拟合的理解、对低相关的理解。意识到市场是变化的，不能简单依赖于过去的统计结果，低估了尾部风险；还有一个隐性风险就是策略的拥挤或者说市场自学习性。

一只量化基金通常会配置多少个策略？

现在市场上并没有一个统一概念，主要取决于管理人对自身策略稳健性的信心。如果管理人认为一套策略已经足够稳健，也可以少放一些策略。

从目前了解的情况看，一些量化管理人一般会有10个左右的策略。当然每家差异也比较大，有些可能是3到5个，有些可能是10个以上。这里还涉及策略定义和统计口径的问题。有些管理人认为某一套模型就是一个策略，但有些管理人可能会把两个模型合起来才算一个策略。

所以具体数量没有统一标准，但多策略管理思想现在已经是比较常见的一种方法。它的目的，是通过多个交易模式共同运作，提升策略整体的稳健性。

量化策略会随着时间调整吗？

一般会有两种思路。第一种是配置型。也就是说，几个策略长期按照固定权重配置，权重长期保持不变。比如五个策略，各自有一个固定配置比例，长期运行。配置从时间上也并不意味着长期保持不变，而是要建立在科学评价策略的生命周期、收益风险来源基础上，配置也需要考量策略的收益来源的互补性。这些统计的数据或许会建立在过去市场的数据统计基础之上，但是需要理解和区分这种过去统计做法的是否可以线性外推。有些统计量也不一定适合线性外推。

第二种是轮动型。也就是说，管理人会以比较高的频率，比如月频或者周频，观察一些主观或客观指标，然后对策略权重进行再平衡。根据策略近期表现、市场环境等因素，调整不同策略的权重。

目前来看，行业里更多还是以第一种配置型为主。但这并不意味着策略本身永远不变。因为策略会有失效的情况。市场本身也在进化，量化是在和市场赛跑。有些策略运行一段时间后可能会失效，也可能风险收益结构发生变化。比如原来一个策略偏牛市进攻，到了样本外之后，它的进攻特性反而没有那么强了。这种情况下，就需要对策略进行监控、评估和调整。

策略表现转弱，如何识别是否是已经失效？

可以建立持续监控框架，每天甚至盘中跟踪各个模型和策略的近期表现，并根据策略自身特征设置波动率、回撤等阈值。只要样本外表现仍处于预设范围内，就可以认为策略处于相对健康的状态，继续保持配置；如果指标明显突破阈值，就需要进一步检查策略是否发生变化。区分正常波动和策略失效不能简单看策略表现，要深入了解。理解不同策略的前提假设和适应的市场环境，比如成长牛市的时候某些策略不是失效，是不适应；同样二八分化也是一个道理。有时需要对策略的病因做仔细的诊断，以方便“对症下药”。

量化策略并不会长期保持不变。市场本身具有学习效应，策略运行一至数年后可能出现衰减，因此需要研究团队持续更新因子和模型，将已经失效的策略下架，并补充新的有效策略。

但短期表现不佳并不一定意味着永久失效，也可能只是市场风格变化或正常波动。到了多策略管理层面，通常要把定量指标与定性判断结合起来，综合观察波动率、策略相关性、拥挤度和市场环境后再作决定，不会仅凭两三个月的表现就轻易调整。

量化模型为什么会出现过拟合，怎样降低这一风险？

量化研究通常先利用历史数据进行回测，再把模型应用到样本外市场。如果模型找到的是具有普适性的定价规律，未来仍可能继续有效；如果模型捕捉到的只是某段特殊行情中的短期规律，甚至是没有真实经济含义的假性规律，进入样本外后就可能失效，这就是过拟合。

过拟合是量化研究长期需要面对的问题。为降低风险，可以设置一段样本外观察期，例如让模型接受数月新数据的检验，确认其表现后再决定是否正式上线。

同时，也会检查模型逻辑和参数是否稳健。如果参数稍作调整，模型结论就发生完全不同的变化，说明策略对参数过于敏感，过拟合风险较高；如果不同参数下的结果相对稳定，策略未来延续有效性的可能性就更高。

因为金融市场是一个高度复杂随机的系统，所以大多数的归纳推理无法从理性上得到严格证明，其合理性依赖于“未来将符合过去”的假设，但这一假设本身无法通过经验或逻辑必然性验证。对过拟合的判断，除了依赖统计指标和回测结果，还需要结合研究者的经验、对市场规律的理解以及一定的直觉判断。前文提到的各种判断角度，更多是辅助性的分析框架，而不是绝对标准；在实际研究过程中，还需要根据市场环境、策略表现和数据变化进行动态评估，并不断验证和修正。

哪种策略能持续跑赢基金收益中位数？

基金中位数收益的根源，是全体基金经理共同形成的“群体智慧”（Beta）；要持续跑赢它，一种方式不是去预测谁能跑赢，而是先把这个可复制的 Beta 用持仓模拟拿到手，再用量化在它上面叠加一层稳定的 Alpha。策略首先利用基金年报、半年报和季报披露的持仓信息，模拟全市场偏股基金的整体持仓，提取基金经理群体共同形成的Beta。这个Beta代表了主动权益基金经理整体的研究成果和配置方向，因此被称为“群体智慧”。

在此基础上，我们再运用基本面量化和AI量化模型，从模拟持仓中进一步优选股票，争取获得Alpha。整个策略相当于先站在主动权益基金经理群体的基础上，再通过量化方法进行二次筛选。

哪些投资者更适合“群体智慧”策略？

长期看好权益市场，但短期看不清市场主线、不知道应该选择科技、红利还是其他风格的投资者可以关注此类策略。由于组合建立在偏股基金整体持仓之上，可以考虑作为权益配置中的底仓，不需要过度押注某一种市场风格。

不擅长判断基金买卖时点、容易追涨杀跌的投资者也可以关注。组合本身较为分散，不依赖单一基金经理或单一赛道，可以减少在高位买入某只热门基金后，因风格切换而承受较大波动的风险。

为什么中小盘可能更适合量化选股？

中小盘策略的收益同样可以拆分为Beta和Alpha两部分。Beta方面，学术界通常认为小市值公司承担的风险相对较高，长期也可能获得更高的风险补偿。

Alpha方面，中小盘股票数量多，传统研究覆盖相对不足，信息传递和价格反应可能更慢，因此存在更多错误定价的空间。量化模型能够在全市场范围内持续处理大量数据，不受单个人员研究精力的限制，更适合在这一股票池中寻找机会。

我们会利用AI模型进行全行业选股，尽可能扩大搜索范围，在中小盘股票中捕捉市场尚未充分反映的定价信息。

基本面量化与AI量化的选股逻辑有什么不同？

基本面量化会考虑不同行业的经营模式和财务特征，根据行业差异选择相应指标，更强调因子背后的经济学含义。例如，不同行业对盈利能力、成长性、估值水平等指标的关注重点并不完全相同。

AI量化更侧重从数据中直接寻找定价规律，甚至一些人脑无法理解的高维度的复杂非线性规律，这是对人工因子挖掘的一种补充。相比行业标签，可能更加关注市值、波动率、流动性等风格特征。它不一定要求每个规律都具有清晰的行业解释，而是通过模型在某一种假设范式下挖掘数据来发现市场规律。

从实践来看，基本面量化和 AI 量化在预测周期、收益来源以及信号形成机制等方面往往存在差异，因此二者并不是相互替代的关系，而是可以相互补充、相互促进。所谓相互促进，一方面是因为任何单一的量化框架都可能形成路径依赖，长期沿用同一套研究范式后，也容易遇到研究瓶颈；另一方面，不同框架虽然出发点不同，但最终目标是一致的，都是为了更好地理解市场、发现价格规律，并将这些规律转化为可投资的信号。因此，在研究过程中，研究者往往需要从不同方法体系中寻找新的思路和灵感。

极端行情下，量化策略要不要主动止损？

止损是一种策略，止损服务于产品本身。量化策略的好坏，如何结合，如何更替是一个独立的维度。因为极端行情往往只能在事后识别，站在当时很难判断市场已经见底，还是后面仍会继续下跌。

风险管理更多依靠策略监控、分散配置和策略库，而不是对市场拐点进行主观判断。现有策略库确实找不到更好的应对方案，或者策略本身明显超出风险阈值时，或才会考虑对策略进行止损或调整。

未来权益市场的核心机会在哪里？

关注科技和成长性行业。中国经济与产业持续升级，每一轮A股成长行情都会出现新的产业方向；从基本面、政策和流动性环境来看，科技赛道仍具备长期发展基础。

对于AI，我更倾向于将当前阶段理解为新产品和新应用的酝酿期，而不是产业泡沫已经结束。人工智能的发展与过去的“互联网+”存在相似之处，但可能拥有更广泛的应用场景和想象空间。

短期来看，科技板块可能经历资金再平衡，市场也可能暂时缺少明确主线。这种机会相对分散、方向不够极致的环境，反而比较适合量化策略发挥。量化可以通过分散持股捕捉不同领域的定价机会；如果市场高度集中于单一赛道，集中投资可能更有弹性，但稳定性也会下降。

访谈日期：2026年9月

风险提示：

以上内容不代表对市场和行业走势的预判，也不构成投资动作、投资建议和任何收益保证，且可根据市场情况变化而调整。

上述内容和意见并非为投资者提供对市场走势、个股和基金进行投资决策的参考，有关观点或分析判断可能发生变化或更新。历史业绩不代表未来收益，基金投资需谨慎。

市场有风险，投资需谨慎。本平台所载内容和意见仅供参考，不构成对任何人的投资建议（专家、嘉宾或其他兴业证券股份有限公司以外的人士的演讲、交流或会议纪要等仅代表其本人或其所在机构之观点），亦不构成任何保证，接收人不应单纯依靠本资料的信息而取代自身的独立判断，应自主做出投资决策并自行承担风险。根据《证券期货投资者适当性管理办法》，本平台内容仅供兴业证券股份有限公司客户中的专业投资者使用，若您并非专业投资者，为保证服务质量、控制投资风险，请勿订阅或转载本平台中的信息，本资料难以设置访问权限，若给您造成不便，还请见谅。在任何情况下，作者及作者所在团队、兴业证券股份有限公司不对任何人因使用本平台中的任何内容所引致的任何损失负任何责任。