目前，國(guó)內(nèi)量化投資有五個(gè)主要的策略方向：市場(chǎng)中性策略（Alpha）、指數(shù)增強(qiáng)（Alpha+Beta）、量化選股(Alpha+Smart Beta)、套利策略與CTA。今天我和大家介紹一下指數(shù)增強(qiáng)策略。

什么是指數(shù)增強(qiáng)策略：

指數(shù)增強(qiáng)策略是指在跟蹤指數(shù)的基礎(chǔ)上，利用量化方式適當(dāng)調(diào)整投資組合的持倉(cāng)結(jié)構(gòu)，以期在跟蹤指數(shù)Beta收益的基礎(chǔ)上，再獲得超越指數(shù)的Alpha收益的一種投資策略。指數(shù)增強(qiáng)策略不是對(duì)跟蹤指數(shù)成分股的完全復(fù)制，而是在跟蹤指數(shù)的基礎(chǔ)上，增加總體表現(xiàn)較優(yōu)股票的權(quán)重，降低總體表現(xiàn)較差股票的權(quán)重權(quán)重，甚至去除；或者利用指數(shù)成分股以外的股票替換指數(shù)成分股，從而實(shí)現(xiàn)收益增強(qiáng)的目的。

在A股市場(chǎng)主流的跟蹤指數(shù)有滬深300指數(shù)、中證500指數(shù)、中證1000指數(shù)等，分別代表A股市場(chǎng)的大盤股、中盤股和小盤股。跟蹤這些寬基指數(shù)進(jìn)行收益增強(qiáng)的量化投資策略分別叫做滬深300指數(shù)增強(qiáng)策略、中證500指數(shù)增強(qiáng)策略、中證1000指數(shù)增強(qiáng)策略。當(dāng)然也有跟蹤其他行業(yè)指數(shù)、主題指數(shù)的增強(qiáng)策略，比如易方達(dá)標(biāo)普全球高端消費(fèi)品指數(shù)增強(qiáng)（QDII）A、西部利得中證人工智能主題指數(shù)增強(qiáng)。

指數(shù)增強(qiáng)策略的收益來(lái)源于兩部分：Beta收益與Alpha收益；

Beta收益：私募指數(shù)增強(qiáng)產(chǎn)品的β收益是通過擬合對(duì)標(biāo)指數(shù)得到的與指數(shù)一致的收益，來(lái)源于市場(chǎng)給予的被動(dòng)收益，受市場(chǎng)環(huán)境影響，是指數(shù)增強(qiáng)系列產(chǎn)品的基礎(chǔ)收益。A股市場(chǎng)指數(shù)種類繁多，具體選擇哪一指數(shù)作為對(duì)標(biāo)指數(shù)，一定程度上影響了產(chǎn)品的整體收益。大部分資金通過量化選股模型構(gòu)造跟蹤指數(shù)的股票組合，以追蹤指數(shù)獲得與市場(chǎng)同漲同跌的收益。

Alpha收益：所持倉(cāng)股票收益與大盤指數(shù)收益的差值，即在跟蹤指數(shù)的同時(shí)，通過技術(shù)手段操作獲得超越指數(shù)表現(xiàn)的超額收益，即漲時(shí)比市場(chǎng)漲得多，跌時(shí)比市場(chǎng)跌得少。 

1. 多因子選股：多因子選股是獲取Alpha的主要策略。通過對(duì)歷史數(shù)據(jù)的分析，篩選出影響股票價(jià)格波動(dòng)的因子，并量化成各種數(shù)據(jù)指標(biāo)；再利用數(shù)學(xué)統(tǒng)計(jì)模型，精準(zhǔn)配置因子權(quán)重，優(yōu)化出一攬子股票組合，使其整體與跟蹤指數(shù)相關(guān)，但與指數(shù)的偏差得到合理控制。目前，私募指數(shù)增強(qiáng)產(chǎn)品中因子選股alpha策略貢獻(xiàn)了超額收益的主要部分。A股市場(chǎng)不是有效的，存在定價(jià)偏離，通過低買高賣獲得alpha，所以alpha策略的本質(zhì)其實(shí)是無(wú)風(fēng)險(xiǎn)套利。通過大量的收集、挖掘歷史數(shù)據(jù)分析影響股價(jià)波動(dòng)因子，賦予“因子”以不同權(quán)重，并據(jù)此對(duì)全市場(chǎng)股票進(jìn)行打分，最后形成多因子組合模型，最后選擇出符合要求的股票構(gòu)成投資組合。相對(duì)主動(dòng)投資，采用量化多因子選股，能夠更全面客觀地評(píng)估標(biāo)的，投資風(fēng)格更平穩(wěn)，覆蓋范圍更廣，投資更高效理性。

2.人工智能：相比于多因子選股策略，人工智能策略具有自動(dòng)化優(yōu)勢(shì)與非線性擬合能力，可以根據(jù)預(yù)測(cè)的股票漲跌概率或波動(dòng)率大小配置股票的權(quán)重。實(shí)現(xiàn)因子之間的非線性組合。同時(shí)在挖掘和處理海量數(shù)據(jù)方面也更具優(yōu)勢(shì)，可以直接從技術(shù)面數(shù)據(jù)中挖掘有效的投資策略，利用技術(shù)面信息構(gòu)建長(zhǎng)線策略、短線策略和高頻策略。以股票為例，給大家介紹三種人工智能在量化投資上的具體應(yīng)用。

1：直接套用圖像分類技術(shù)，將股票價(jià)格的預(yù)測(cè)轉(zhuǎn)換成圖像分類問題。把過去一段時(shí)間的價(jià)格走勢(shì)、交易量變化作為圖片輸入深度學(xué)習(xí)模型，輸出是未來(lái)價(jià)格的漲跌。處理圖像分類問題有很多優(yōu)秀的模型，如AlexNet、Inception-V4、ResNet等?？梢灾苯釉谶@些模型的基礎(chǔ)上修改，將輸出修改為指定時(shí)間區(qū)間內(nèi)股票的收益。但是這些模型都比較復(fù)雜，訓(xùn)練這樣的網(wǎng)絡(luò)需要大量的樣本，而圖片的信息又非常稀疏所以，直接套用圖像分類技術(shù)未必是合理的選擇。

2：利用人工神經(jīng)網(wǎng)絡(luò)對(duì)因子進(jìn)行組合和優(yōu)化。傳統(tǒng)的多因子策略一般是先找到很多不同的因子，再進(jìn)行等權(quán)組合或者線性加權(quán)組合。這就要求不同因子之間相關(guān)性盡可能低，否則組合后的效果會(huì)大打折扣。利用人工神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性擬合能力，可以實(shí)現(xiàn)多因子的組合優(yōu)化。用過去一段時(shí)間的數(shù)據(jù)訓(xùn)練模型，最后根據(jù)預(yù)測(cè)的股票漲跌概率或波動(dòng)率大小配置股票的權(quán)重。實(shí)際上就是用人工神經(jīng)網(wǎng)絡(luò)構(gòu)造了因子和股票投資權(quán)重之間的關(guān)系模型，實(shí)現(xiàn)了因子之間的非線性組合。

3：利用人工神經(jīng)網(wǎng)絡(luò)直接從技術(shù)面數(shù)據(jù)中挖掘有效的投資策略。實(shí)際上，我們也可以用深度學(xué)習(xí)，自動(dòng)從數(shù)據(jù)中發(fā)現(xiàn)特征，從而構(gòu)建投資策略。這時(shí)神經(jīng)網(wǎng)絡(luò)的輸入不再是因子的值而是技術(shù)面數(shù)據(jù)，如過去一個(gè)月某只股票的收益率，輸出是第二天股票的漲跌。利用技術(shù)面信息可以構(gòu)建長(zhǎng)線策略、短線策略和高頻策略?？傮w來(lái)說，過去一段時(shí)間的技術(shù)面信息對(duì)未來(lái)股票價(jià)格的影響會(huì)隨著時(shí)間的增加而衰減，時(shí)間越長(zhǎng)，影響價(jià)格的其他因素就越多，所以，利用技術(shù)面信息的股價(jià)預(yù)測(cè)，更適合做高頻和短線策略，對(duì)于長(zhǎng)線策略，基本面數(shù)據(jù)的重要性就會(huì)大大提高。

除以上介紹的多因子選股和人工智能外，在指數(shù)增強(qiáng)中也會(huì)用到打新和T0的方法來(lái)獲得超越指數(shù)表現(xiàn)的超額收益，只不過在實(shí)際應(yīng)用中打新和T0的方式更常見于股票中性策略中，我們這里便不在詳細(xì)介紹，后續(xù)介紹中性策略時(shí)詳細(xì)介紹。