（转自：财通证券研究）

金融工程首席分析师 | 缪铃凯 

本科及硕士分别毕业于厦门大学与上海财经大学，拥有7年金融工程研究背景。曾任职于天风证券及国盛证券研究所，并作为团队核心成员，多次获评新财富最佳分析师荣誉。

深耕量化选股领域，专注于：

· 多因子选股模型：擅长挖掘和验证创新型因子，并应用于多因子选股及指数增强策略构建。

· 主动量化策略构建：精通设计、优化及组合管理各类Smart Beta策略与主动量化策略。

· AI模型应用：熟练运用机器学习、深度学习等先进模型于量化投资领域，提升策略效能。

金融工程联席首席分析师 | 韩乾 

曼彻斯特大学统计学硕士，5年金融工程研究经验，曾就职于天风证券研究所。

深耕基金研究领域，专注于：

· 量化选基：擅于寻找基金层面的技术类因子、基金经理能力圈因子以及构建基金标签数据库。

· 主题基金：专注从行业底层逻辑以及基金经理个人优选角度出发，筛选当前优质产品。

· FOF组合构建：擅长利用各种配置模型和组合优化模型，自上而下地构建不同收益目标的FOF组合。

1.您为什么选择来到财通？作为金融工程首席分析师，希望在财通能有怎样的发展和收获？

财通证券作为浙江唯一省直属券商，历经30余年创业发展，早已成为国内颇具影响力的券商。并且，浙江省在人工智能、大数据等量化投资重点关注领域的发展水平位居全国前列，可以说在财通这样长期扎根浙江的券商从事金融工程研究，能够更好地实现研究价值与行业影响力的双重提升。同时，孙所作为卖方领域知名的总量研究前辈，他在业内的口碑与总量行业的业务基础也是吸引我们加盟财通的另一个重要原因。作为首席，我们希望带领团队为市场和机构投资者提供更多前瞻、有深度的量化研究成果与行之有效的投资策略，探索新技术下金融工程领域投资框架的迭代与变革，为卖方量化行业贡献我们的一点力量。

2.您认为一名优秀的金融工程分析师需要具备哪些核心能力？您认为可以通过哪些具体路径实现专业能力的持续提升？

我们认为一名优秀的金融工程分析师需要具备扎实的数理基础与编程能力、处理复杂数据的分析能力以及系统化拆解问题的思维、深刻理解市场运行逻辑的洞察力，同时兼具风险意识和高效沟通能力。

专业能力提升方面，我们认为应当保持技术精进，长期跟踪与量化投资领域相关的前沿期刊，挖掘好的idea，掌握最新的算法工具。同时也要与量化和主动投资的同业之间建立深入且密切的交流，在“构建-检验-迭代”中深化对于投研的理解，平衡理论深度与市场触觉，让数学模型真正“理解”市场语言。

3.与传统金融研究相比，金融工程分析师的培养路径有哪些显著差异？在保持技术前沿性的同时，如何培养对市场本质的深刻理解？

金融工程分析师与传统总量以及行业研究员的培养核心差异在于技能重心：金融工程更加强调扎实的数理基础、高效编程和算法实现能力，本质上是基于数据的决策驱动，排除主观情绪干扰。而传统路径更侧重宏观经济研判、政策解读、基本面与财报分析、上市公司调研，更加强调主观研究经验和商业洞察力。

量化投资要保持技术前沿性同时深化市场理解，关键在于构建数据驱动与金融直觉的双循环体系。技术上紧跟算法迭代，认知上强调复盘推演，深挖策略失效根源，将市场微观结构纳入核心考量，确保技术优势始终服务于捕捉市场错误定价的本质目标，避免脱离实际。

4.在面向金融工程领域的技术变革趋势下，您打算建立一个什么样的金融工程研究团队？

面对A股市场有效性持续提升、超额收益获取难度加大的结构性变化，我们将团队核心方向锚定在三大领域：以资产配置研究（宏观/中观）为重点发力方向，应对金融产品丰富化催生的配置需求爆发；以选股策略（基本面/AI）、基金研究(定性/定量)为核心基本盘，追求创新突破，紧跟前沿技术同时持续迭代已有研究。团队将在各个领域为投资者提供直击研究痛点的视角与思路。

5.能否分享一个您参与过的最具挑战性的研究案例？在这个过程中您是如何为投资者创造价值的？

量化投资不存在永恒“圣杯”，模型需要紧跟市场变化持续更新迭代，我们从入行之初就开始研究一个课题：如何跑赢主动权益基金平均业绩（885001）。我们发现市场中极少有主动权益基金能每年都取得稳健靠前的业绩排名。针对这个问题，多年的时间中我们持续迭代了数个版本的模型，为投资者在相关领域探索提供了多个创新性思路。

研究迭代路径：四次关键突破

1) 初代模型（持仓跟踪增强）

· 方法：基于基金定期报告的行业/风格暴露进行指数增强

· 瓶颈：2019年"核心资产"抱团行情中失效，忽略个股风险

2) 二代模型（持仓明细穿透）

· 升级点：全持仓还原+控制个股权重偏离度

· 新问题：超额收益薄弱，被动跟踪束缚过强

3) 三代模型（主动策略映射）

· 创新尝试：

o Beta革新：优选绩优基金构建增强基准

o Alpha强化：超配成长/动量风格，融入主动量化策略

· 市场检验：2021-2022年风格逆转基金动量消失，价值因子复苏致成长风格回撤

4) 四代模型（分析师行为替代）

· 破局关键：发现分析师荐股行为与基金持仓高度同步

· 核心架构：

o 用实时分析师推荐替代滞后的基金持仓数据

o 叠加动态多因子Alpha模型进行收益增强

· 成效：在低跟踪误差前提下，持续显著跑赢主动权益基金平均收益。

6.您擅长将AI工具融入日常研究之中，您是如何在这一领域进行探索和实践的？

在AI工具的应用探索上，聚焦效率革命与策略创新双轨并进：一方面，依托GPT/DeepSeek等大语言模型实投研效能跃迁——通过自动化信息检索、智能知识图谱构建及跨领域联想推演，使研究员专注策略研究，大幅提升研究效率；另一方面，将AI深度融入量化内核：运用NLP模型从文本（公告/财报）中提炼情绪因子,有效捕捉市场预期差；利用神经网络学习量价时序模式，替代传统人工因子挖掘，极致的从市场短期非有效性中挖掘alpha信息。

7.在宏观到中观的资产配置框架中，您通常如何确定关键驱动变量？

以经济周期定方向，以高频指标捕拐点，动态平衡战略定力与战术灵敏性。战略层面，定位经济周期，结合经济增长、货币信用指标明确周期位置，抓住当前主要矛盾；战术层面：跟踪中观高频数据，捕捉超预期信号，例如地产销量、货币政策等变化。最后判断当前所处经济周期，结合历史回测中该经济周期中变量的有效性和近期胜率，挖掘关键驱动指标。

8.面对政策密集出台期，您的配置模型如何快速响应？

一方面在配置模型中会有一些高频宏观指标，跟踪政策落地情况和国际关系，例如工业品产量与价格、利率和汇率等高频数据来捕捉信号；另一方面，配置模型会考虑加入微观层面的指标，密切关注政策出台后的市场情绪和交易情况，引入行业成交额占比、融资买入额占比或技术指标，实现高频动态调仓。

9.您最核心的因子研究成果是什么？这些因子在A股市场展现出怎样的收益特征？能否简要解析这些因子有效的底层逻辑？

我们对于因子研究的涉及面非常广泛，包含基本面、量价、另类数据等等，并且始终追求创新突破，以三个典型案例作具体阐释：

1) 传统财务指标对于财报信息的覆盖并不充分，我们曾以财报中的政府补助信息为切入点深入分析：获取高补助额度意味着更高的政策扶持红利，但利润高度依赖补助则可能是企业短期盈利能力不佳的体现。若强调高补助额度同时还要求低补助依赖度，我们构建了政府补助因子，指标对于盈利能力的刻画给出了区别于ROE等传统盈利因子的新视角。

2) 以往的量价因子通常聚焦于量价数据本身，但我们知道技术分析往往更关注K线图形，因此我们尝试直接对K线形态建模。我们发现，量化模型刻画下的K线形态具有极佳的选股能力，相对于传统量化选股模型中的技术指标，其信息独立性强；相比于技术分析基于少数形态，它的囊括面更广。

3) A股市场从2021年底开始出现一类创新型基金产品：指数增强ETF。增强ETF兼具ETF（每日披露申赎清单）与指数增强基金（定位于增强特定指数）特征。我们基于增强ETF持仓信息去反推这些管理人对于个股偏好，构建选股因子，实现“他山之石，可以攻玉”的协同效应。

10.基于您对金融AI领域的研究观察，未来哪些突破性技术方向可能重构量化投资方法论？

我们认为以下几个方向可能具有较大的发展潜力。首先，大语言模型（LLM）的持续进化将文本数据处理效率提升至新量级，使得非结构化文本的阿尔法信息挖掘成本呈指数级下降，引发因子研究体系的质变；其次，端到端深度学习架构有望取代传统因子投资的碎片化流程（信号构建→因子合成→组合优化），通过统一建模框架释放跨层级特征耦合的价值； 最后，多模态融合技术通过联合学习图像、文本、量价与基本面等异构数据，构建抗噪声的稳健信号引擎，量化模型应对市场模糊性冲击的能力或出现明显提升。

11.在策略同质化加剧的背景下，您认为应该如何构建差异化的量化竞争优势？

要在量化投资领域凸显出竞争优势，我们认为核心在于深度挖掘独有价值的数据（如特定行业/产业的另类数据、精细处理的传统价量数据等）；此外，当策略高度内卷时，交易的重要性凸显，快速高效交易算法执行能将策略理论收益转化为实际优势；最后，如前文所述，市场不存在永恒“圣杯”，提升对市场感知，与时俱进迭代策略方能确保持续性的竞争优势。