#最近哪个指数涨了# 第26天，$华夏中证500指数增强A$今日上涨1.12%，跑输中证500指数0.12%！ 我感觉，在公募量化尤其是指数增强领域，孙蒙算是新生代。 他在2020年上半年，才开始管理公募基金，最初接手华夏中证500指数增强时，采用的是双基金经理的配备，和指数基金老将张弘弢搭档，是以老带新的格局。 虽然在指数增强领域，孙蒙算新生代，但是很快就受到了高度的关注，就是因为业绩太猛。实在是让人刮目相看！ 2021年，是孙蒙管理指数增强的第一个完整年度。当年华夏中证500指数增强在一众500指增中，排名第二。 而到了2022年，在一波几乎所有风格都下跌的熊市行情中，孙蒙更是干脆包揽了前二。 而到了指数领涨反弹的2023年，孙蒙的业绩依然是高高在上。 孙蒙值得关注，其实不仅仅是因为强悍的业绩。更在于他应该算是国内指数增强领域，探索AI加持的急先锋。 人工智能这个东西，虽然近年才大热，但其实在投资界，并不算新鲜东西。 全球最著名的量化投资对冲基金文艺复兴大奖章，其当家人西蒙斯本身就是数学家出身，而两位核心人员中，当年就是IBM watson语音识别和机器翻译专家，他们正是在向IBM管理层建议使用相关统计计算语言技术进行建模来管理公司的企业年金的建议遭到拒绝后，带领一批语音识别研究员加入文艺复兴。 如今在人工智能领域如火如荼的类似语音识别、 OCR 文字识别等，在华尔街看来，与识别看似随机游走的金融标的价格，是有着异曲同工之妙的。 不过，在国内公募量化投资领域，虽然各家基金公司都有所布局探索人工智能的应用，但是主流的投资框架，还是基于传统的因子投资。从玛法三因子模型起步，到五因子，全球学术界不断通过论文再发掘新的因子，而各家基金公司的基金经理和金融工程师们则是不断研读论文，并将学术界发现的最新因子在中国A股市场加以回测，以寻找新的利润来源一某种程度上，公募指数增强的“内卷”首先就是储备因子数量的“卷”，许多公司的“因子库”都多达两三百个储备。 但是，华夏基金孙蒙的指数增强投资，则是走了一条侧重AI的道路。 早在2017年，华夏基金就和微软亚洲研究院深度合作，探索AI应用了。 在当时，这属于浪潮，许多的基金公司都有类似的结盟、合作。但是从开花结果来看，华夏基金这些年的合作显然还是真家伙，孙蒙的这套AI加持的指数增强，已经有了不俗的成果。 AI可以如何帮助指数增强投资?孙蒙之前在一次分享中，做过一些解读，尤其是和多因子模型的差别: 从多因子角度来说的话，基本上还是以资本市场的逻辑框架来去驱动的，需要人工去筛选因子，人工去进行因子打分和加权，比如说像PB- ROE的逻辑无非就是去选择低估值或者是有成长质量的标的，或者去做一些景气投资，无非就是把景气通过某一种形式形成一种量化的表达，本质都是有资本的投资逻辑驱动的。对于 AI来说的话，我们并不以投资框架去做限制，我们去让算法自主地从历史当中去寻找最优的投资模式，如果某投资模式去存在，同时可以对市场可以形成有效的刻画，我们都希望可以通过算法去形成有效的挖掘。 一般可理解的所谓的Human阿尔法也是可理解的定义，我们去做实践的时候，往往是通过统计检验去验证某个想法是不是有效的。而对于我们机器来去做这样的阿尔法的搜索，我们整个的搜索空间是无限的，我们可以在更高维度的去寻找更有效的表达。这个表达往往是一个显示的表达，我们去做阿尔法的筛选的话，更多是做因子的筛选，而并不是策略的验证。 如果要简单的开阔，传统的因子投资，是先假设“因果性”，然后用统计的“相关性”去验证;而孙蒙在使用的AI投资，则是侧重数据发掘，用AI去发掘“相关性”，甚至不那么关心背后的“因果性”。 正因为无需关注因果性，无需等待学术界发现新因子，所以AI投资对于市场变化的适应性是更快的，与传统因子投资的业绩相似度也是比较低的。 有人将2022 年表现较好的几只中证500指数增强基金的2022 年每天超额表现做了一个相关矩阵，从表格可以看到，孙蒙管理的华夏中证500指数增强，与其他绩优指数增强的超额收益相关系数很低，最高才0.35，低的甚至只有0.15，这样的低相关性意味着，华夏中证500指数增强除了本身很强大之外，如果放在一个500指数增强的组合中，也可以提供足够的异质化，更好的降低组合风险。 当然，AI投资绝不是万能的。毕竟作为数据挖掘的一种，就不可能逃避“过拟合”的风险，毕竟只要数据量足够，我们总能发掘一些看似相关但在未来并不能持久的关系。 这一点，孙蒙也并不讳言: 我们去总结我们可能会遇到的挑战会主要有几点，首先是数据的信噪比是很低的，在数据信噪比低的时候，我们通过复杂的模型就有可能拟合的是错误的信号，同时对于金融市场来说并不像语音图像，我们可以无限的去生成样本，我们有效的样本数量其实是非常少的，这个也是可能造成过拟合的主要的原因。 包括我们也提到了整个的所谓的金融市场“真相”可能是不存在的，也就是说我的整个市场状态是不确定的，但是这个其实是机器学习的算法的最基础的逻辑。学习的样本内和样本外的数据是同分布的，我们怎么样能让这个算法去适应这样的市场不确定性，这个其实也是非常主要的挑战。 其实，如何应对这样的挑战，正是一个优秀基金经理与一个平庸金融工程师的差别所在。这一点就像在因子投资领域，几百个因子库只要砸钱总能建立，但在怎样的市场环境下侧重选择哪些因子，同样是一门艺术。 $华夏中证500指数增强A$
