“有的基金经理特别精通小票，这些人可能在主旋律是大蓝筹的那段时间就非常郁闷。量化往往会有很多的策略，这样就规避了单一投资的风险。这个策略在当下表现不是太好，但是有别的策略表现得好，业绩净值就不会出现大幅的波动。”
继AlphaGo“阿尔法狗”征服一众围棋世界顶尖选手后，不少基金经理对此忧心忡忡：自己被“替代”的日子是不是也不太远了?
事实上，去年市场整体震荡下行，公募量化基金的整体表现较传统主动管理型基金优势明显，一些基金的超额收益也非常显著。
Wind统计显示，可统计的483只偏股型基金去年全年有9只收益超过10%，其中有2只是量化基金产品，在41只可统计的量化基金中，有18只在2016年录得正收益。进一步统计2015～2016年两年的数据可发现，全部量化基金产品均取得正收益，且排名前三产品的收益都在90%以上，最多的一只收益高达103.4%。
“大数据投资最明显的一个优势是少犯错。看上去投资策略不是特别花哨，都是很简单的策略。这个策略理论上如果能挣100块钱，我们尽可能把这个策略做深入一点，把100块钱里的80块钱挣出来。”北京一位公募量化基金经理表示。
量化大败主动管理
2016年市场风格大变，不少前一年表现突出的基金经理因为没能及时调整策略适应市场而惨遭滑铁卢。反之很多主动量化产品的业绩十分抢眼，在业绩排名前十的基金中便有主动量化的身影，且一些专户亦然。事实上，不只在2016年，在过往的很长时间内量化基金产品都有不错的表现。
“比如说有的基金经理特别精通小票，这些人可能在主旋律是大蓝筹的那段时间就非常郁闷，去年便是如此。量化往往会有很多的策略，这样就规避了单一投资的风险。这个策略在当下表现不是太好，但是有别的策略表现得好，业绩净值就不会出现大幅的波动。”前述北京公募量化投资经理对记者表示。
目前我国的量化产品主要是主动量化产品和指数增强产品，后者要求策略组合不能偏离标的指数太多，在此基础上追求收益的最大化。还有一种是对冲型量化基金，其引入通过使用衍生品或融券等做空手段对冲持有的股票多头头寸的风险暴露，降低投资组合市场风险。
本报了解到，因子选股是国内公募量化产品的主流策略，即通过选股因子来预测未来一段时间内的股票收益，按照组合的目标风险收益要求，选出相应的股票。这些能持续产生正收益的因子包括估值、成长、盈利质量、动量、流动性、市场情绪、波动率、市场敏感度等。
市场上的多因子模型一般在20～30个因子，一些基金公司则有50个甚至更多，因子的选取越精细模型的准确度就越高。
近日，有传言称受限一年半的股指期货将松绑，并已经得到监管部门的初步同意，措施包括把交易保证金标准下调一半，并把单个合约的每日交易量上限提高一倍。
另一位公募基金经理便表示，为了获取一定的超额收益，量化基金的一个做法是通过股指期货对冲的方式将市场涨跌的风险剥离掉。
分析人士也指出，量化基金另一优势在于其严格的纪律性。一般，量化产品会采用既定的较为成熟的投资策略，在投资过程中无论市场怎样波动，基金均严格执行之前设定的投资纪律。这也有助于在类似于去年的行情中杜绝主动投资可能出现的非理性行为。
另外，一般而言基金经理能够深度调研并主动投资管理组合个股数量在50只以下，随着新股发行提速上市公司数量越发庞大，主动选股难度大大增加。而量化的方法可以监控所有股票的财务指标与市场面的变化。同时量化基金并不押注于某几个板块或少数上市公司，分散风险的作用明显。
离不开主观判断
与传统主动管理型基金相比，大数据产品利用现代数学、统计学的方法，寻找能够带来较稳定超额收益的投资策略，并且能够广泛覆盖A股全市场的股票，再从中优选出能够“大概率”跑赢市场的股票构建投资组合。
在量化投资中，数据模型是核心。在对比传统的主动投资和量化投资时有比喻称，这两者之间的差异如同中医和西医的差异：传统投资像中医，更多地依靠经验和感觉;量化投资则像是西医，依托于医学仪器，得出结论、对症下药。
“人的话更有主观能动性，更灵活，当一个新的局面或者新的主题或者新的逻辑出来的时候，人能够马上跟住，机器就没有那么快。”上述北京量化投资经理对第一财经表示。
“有些特定时点上的事情，比如‘股灾’那段时间的一些事情，其实是人为扭曲到证券市场本身的运行规律，如果是规律被扭曲了，也就意味着之前很多东西用起来必须谨慎，像那种时候，特殊情况下，你必须去做一些主观的判断。”他也进一步表示。
东方证券金融工程分析师朱剑涛认为，主动管理往往是基于对上市公司盈利能力、财务状况、估值水平等基本面信息的主观把握，而量化则是基于股价影响因素的统计分析，认为历史规律会在未来一段时间内持续。
“主动管理的逻辑明确，对政策、主题、市场情绪把握能力强;但缺点是股票覆盖面窄，大资金运作难度大;量化投资的缺点是，对市场突发情况的应变能力差，同质性现象严重。”朱剑涛分析称。
“智能投顾为什么现在还没有说哪个公司说是老大，整个行业的积累其实还不够。目前行业的聚焦还是在资产配置模型是否一致，做出来的东西差别也没有那么大，差别更多是在产品层面而不是配置层面。今后如果能把对数据的分析植入到系统模型之后，最后还是看模型，这里面是强大的数学计算能力。”某金融技术公司的财富管理部老总向《第一财经日报》表示，他所在的公司便在试水智能投顾，“我们在这个领域也在摸索”。
