會議：開源證券2026年中期策略會

議程：量化投資與資產配置論壇

日期：2026年5月20日

地點：北京金融街威斯汀大酒店

主辦：開源證券金融工程魏建榕團隊

主題演講：高夏普紅利增強策略的探索實踐

特邀嘉賓：泓德基金量化投資部總監 蘇昌景

發言實錄 ：

感謝開源證券金融工程團隊魏建榕博士的邀請！ 本次策略會主題是“逐光而行”。起初我以為這一主題更像主觀投資團隊的表達，但量化投資也一直在“逐光而行”，只是我們追逐的是相對有效、并且具有理性內核的“理性之光”。今天的分享延續前面幾位嘉賓對“高夏普”目標的討論，但會聚焦在一個更具體的方向： 如何通過紅利增強策略實現高夏普。 從投資者角度看，經風險調整后的回報是評價主動管理能力的重要標準。做出高夏普產品，也是資管從業者長期追求的方向。今天我會圍繞紅利增強策略，分享我們過去幾年在量化投資中的探索，以及在這一特定領域內的實踐。

實現高夏普的路徑有很多，例如資產配置、CTA、多策略組合等。今天我重點討論其中一條路徑：紅利增強。可以用一個簡化公式來理解：卓越夏普 ≈ 穩健紅利Beta + 高信息比率Alpha。

從收益來源看，紅利增強策略的預期收益可以分解為兩個部分：第一部分是 紅利因子的風險溢價 ，第二部分是量化選股帶來的超額收益。紅利因子的風險溢價可以從兩個維度理解：

第一個維度，是紅利因子過去表現出的穩健風險收益特征。紅利因子或高股息因子，與價值因子、質量因子在邏輯上存在交叉。股票具有較高股息率，往往意味著估值合理甚至偏低。從Barra風險因子歷史收益曲線看，中國市場中低估值長期具有相應風險溢價，因此股息率因子中體現了一部分估值溢價。同時，如果一家公司能夠持續、穩定分紅，背后通常意味著其賬面自由現金流較充沛、資產負債結構較合理，治理水平也相對較好。因此，高股息背后也隱含一定質量溢價。綜合來看，紅利投資可以理解為高質量價值投資的一種綜合表達。通過暴露于紅利風險，我們實際承擔的是在中國資本市場中經過驗證、具有回報補償的財務穩健與估值約束下的風險。

聚焦A股市場，中證紅利指數是紅利風格投資中較為純粹的代表。從基本面和風險特征看，它的風格非常清晰。過去十年主要指數的風險收益特征顯示，中證紅利全收益處在較優位置，即收益相對較高、波動相對較低。從這一角度看，中證紅利指數過去十年的風險收益特征，或者說夏普比表現，較為突出。當然，過去十年的表現有其特殊性，受到宏觀背景、中觀產業背景、股市資金結構等因素共同影響。向未來看，其他指數所處位置可能出現較大漂移，例如成長科技、中證1000等資產未來十年的相對位置都有可能改變。但我們認為，紅利資產從自身象限的絕對位置看，長期漂移可能相對較小。這也是紅利資產的重要特征：能夠提供風格穩定、可解釋性較強的基準。

第二個維度，是主動管理能力。僅暴露于穩健紅利Beta，放到更長周期看，吸引力可能并不足夠，因此還需要加入主動管理人的附加值，也就是Alpha能力。在紅利投資中，市場上既有主動管理投資人，也有量化管理投資人，各自具有不同能力圈。作為量化投資人，我們更關注的是，在中國資本市場生態下，量化方式能否提供較好的超額貢獻，從而進一步提升中證紅利這一穩健Beta的夏普比，并使其在未來具有一定延續性。從私募量化指增產品的歷史業績可以看到，優秀私募量化同行過去通過全樣本空間選股，利用多類別信號進行科學預測，并通過系統化管理創造了持續、高信息比率的超額收益。這兩年私募量化規模擴張較多，核心原因之一也正是其產品風險收益特征清晰，并且確實創造了較穩定、可持續的超額回報。聚焦紅利增強這一高夏普量化路徑，我們的思路也類似：先定位一個穩健的中證紅利Beta作為基準，再在此基礎上進行量化增強，構造兼具紅利資產防御性和量化選股銳度的策略，力爭形成長期可復制、風險調整后回報較好的高夏普解決方案。從這里開始，Beta的問題已經較為清晰。對于量化從業人員而言，我們不會把主要精力放在研究Beta上，或者說在Beta研究上未必比策略研究員更專業。我們更關注的是，如果要做這一類資產的增強，大概率應該采用什么方法、能夠實現怎樣的超額收益風險特征，也就是如何實現高信息比率Alpha。后續交流將主要圍繞Alpha展開。

剛才主持人提到泓德紅利優選是我在管的產品。嚴格來說，由于運作時間還比較短，還談不上代表作。但我特別想在這個專題上分享，是因為它非常具象。該產品于2025年4月底成立，到現在大約一年多。從股票組合層面看，成立以來表現總體符合策略回測端長期風險收益統計特征。它可能帶有一定量化視角下的隨機因素，但大概率上，符合我們長期對于這個策略風險收益特征的定位。后續內容主要圍繞這個產品背后的策略構建展開。

如果要做紅利增強策略，必須針對紅利資產本身的特征設計量化模型。對于量化投資管理人來說，主動管理基本定律始終成立：量化模型長期能夠獲得的超額收益，與模型預測能力、獨立決策次數以及股票收益截面波動性有關。也可以簡單理解為，超額收益潛力與IC、投資廣度以及收益截面離散度相關。第一，模型預測能力取決于能否在樣本域中找到定價能力較強的因素。第二，獨立決策次數可以狹義理解為樣本域寬度，也就是投資廣度。第三，紅利資產自身的波動屬性也很重要，所有獲取收益的基礎，都應建立在尊重這一類資產波動屬性的前提下。因此，做紅利增強時最根本的原則是：可以在全市場追求Alpha最大化，但必須有一個硬約束，即不能偏離紅利資產本身的核心風險收益屬性。這一點與真實投資者對產品的定位和期待是一致的。

舉例來說，如果科技行情很好，紅利增強產品通過大量配置科技股來戰勝紅利指數，短期可能獲得超額收益，但這實際上背離了投資者購買紅利產品的初衷。投資者買紅利產品，通常希望在經濟偏弱、市場系統性風險上升或成長風格回落時，通過紅利資產獲得相對低回撤的防御屬性。如果產品通過背離紅利波動屬性來獲取收益，長期可能削弱產品生命力。因此，紅利增強的根本原則，是在紅利樣本特有的截面波動屬性基礎上，進行針對性模型優化。具體可以從三個方面展開：

第一，構建紅利型股票樣本池，拓展投資廣度。目標是在擴大樣本域、盡可能實現全樣本選股的同時，在極端行情下保持與紅利基準風格的一致性。

第二，在樣本池中挖掘有效因子并訓練專用模型，提升模型選股能力。核心是能否識別其中具備持續性的收益規律，這也是量化投資最核心的競爭力來源。

第三，進行組合優化與風險控制。隨著投資者越來越成熟，量化產品相較于主動產品的一個重要優勢，是能夠清楚地知道自身產品的風險收益特征應穩定在什么狀態。私募量化這幾年規模能夠做大，一個重要前提也是其產品風險收益特征清晰、回報可解釋。在這一基礎上，再討論主動管理能力才更有意義。

先看樣本拓寬。紅利增強的基本原則是：以在全市場最大化預期Alpha為目標，但以不偏離紅利基準的核心風險特征為硬性約束。這里首先要思考一個問題：在追求全市場超額收益的同時，如何防止策略在極端行情下發生風格漂移，或者遭遇尾部風險？如果在投資者最需要紅利增強體現防御性和高夏普屬性的時候，產品讓投資者失望，這是最需要避免的情況。我們的做法是通過兩層過濾機制來純化紅利增強股票池。第一層是基本面質地篩選。這更多是從因果邏輯層面設置紅利準入門檻。長期來看，紅利資產風險收益特征最本質的來源，仍然是公司基本面具備某些特質，例如盈利持續增長、自由現金流創造能力較強以及分紅意愿較高。這個門檻可以適度放寬，但不能完全沒有。因為當其他風控機制失效時，真正能夠起作用的，往往還是這些長期信息比率不高、但具有時間價值的基本面保障。第二層是尾部風險隔離，這更偏統計手段。對于非成分股，需要檢驗其在正常市場環境和危機市場環境下是否都能保持與紅利資產相近的風險收益特征。例如，平時某類非紅利資產與紅利資產相關性較高、表現也不錯，但在危機時刻二者差異可能突然放大。這樣的資產可以被理解為“偽紅利資產”，在投資過程中需要識別并控制風險暴露。通過基本面質地篩選和尾部風險隔離，可以在一定程度上既保留全市場選股帶來的廣度，又控制偏離紅利資產核心屬性的風險。

樣本問題之后，第二個核心是模型優化，其中最重要的是選股因子。選股因子是量化策略獲取超額收益最根本的材料，決定最終策略績效的上限。后續組合優化、風控、交易執行等環節，都是在此基礎上繼續加工。過去兩年，我們深度覆蓋的因子主要包括兩大類：量價因子和基本面因子。量價因子方面，過去大家圍繞傳統量價因子做了很多工作，其中包括大量人工邏輯因子。近兩年，我們也拓展了很多新型量價因子，主要工作包括從微觀結構數據中挖掘信息，從Tick級數據到逐筆委托數據，盡可能深入到底層交易數據。基本面因子方面，目前挖掘也比較充分，包括財務報表、一致預期等數據。除了過往人工邏輯因子之外，也嘗試做公式化挖掘。當前新增的一類信息量較多的方向，是量價與基本面結合的因子。借助非線性工具，可以對基本面信息和市場交易信息進行交叉驗證，生成一些傳統線性框架下不容易發現的基本面信息因子。它們的IC幅度未必很高，但加入模型后，增量信息和歷史IC統計特征可能與傳統量價因子存在明顯差異，有助于提升最終超額收益的信息比率。還有一類值得關注的是新型另類因子。AI大語言模型出現后，可能帶來新的增量數據。股票價格每天波動背后的信息來源大致有三類：第一類是上市公司自身經營、財報等數據；第二類是市場交易者行為，體現為各種量價交易數據；第三類是證券市場參與者產生的大量文本和音頻信息，例如賣方觀點、調研紀要、路演資料等。過去，這些非標信息主要以音頻或文本形式存在，很難被系統化納入量化模型。現在AI模型提供了新的方式，可以將非標信息和私域信息轉化為結構化量化信號，用于模型預測。無論是紅利增強還是其他增強策略，量化投資中70%-80%最有效的工作，可能仍然來自因子端。因子來源越多元，越有助于分散超額收益來源。

從因子生成方式看，我們覆蓋人工邏輯因子挖掘、遺傳算法自動公式化挖掘、深度學習批量自動挖掘等方法。因子種類擴張有助于提升超額穩定性，因為不同類型因子依賴的信息來源和數據分布不同。一類因子失效時，其他來源的因子不一定同時失效，從而有助于在特殊市場行情下控制超額回撤。因此，挖掘歷史數據切片中的統計不對稱，需要充分分散信號來源。

進入股票回報預測和模型訓練環節后，步驟相對系統化。我們當前主要使用多因子框架，大部分工作仍然放在因子挖掘上，追求選股因子的有效性和及時性。最終復合因子的多頭表現，決定模型績效上限。

因子庫構建完成后，會通過因子加權進行股票回報預測，并結合交易成本模型、風險管理模型和組合優化器，輸出可執行的目標組合。交易執行優化和降低交易成本等問題，隨著規模上升會變得非常重要，這里不展開細講。

針對紅利增強這一特殊案例，我們需要在前面篩選出的樣本域中，針對中證紅利這一基準進行單獨訓練。優化主要從兩個角度展開：第一是截面角度。我們希望模型在不同風格暴露特征的股票分組上都具備較好有效性。尤其當樣本域擴張后，不同細分紅利風險暴露層次的股票，其特征會有所差異，因此需要模型在這些分組上保持穩定預測能力。第二是時序角度。我們希望模型在不同市場風格主導時期下盡可能持續有效。也就是說，模型不能只適應某一種市場狀態，而應盡量在不同風格周期中保持可用。

前面主要講策略開發和研究環節。當策略真正落地到生產環境后，還需要持續管理和優化。

第一，如何預期超額收益的合理區間？量化策略與主觀產品或早期低頻基本面策略相比，一個重要特征是風險收益特征在一定意義上具有可預測性。前提是市場環境沒有發生異于歷史的突變，策略有效性沒有大幅變化。比如，一個預期年化超額收益為X%、跟蹤誤差為Y%的策略，其年化超額收益率可以按照一定分布進行估計。落在均值正負一倍標準差內較為合理；如果落在1.5倍標準差外，可能說明當年有較大運氣成分；如果落到負向尾部，則可能體現為產品出現較大超額回撤。因此，我們需要知道產品合理的投資回報區間，對自身能力框架有清晰認知，區分哪些是運氣，哪些是模型可能出了問題、需要警惕。這一點對基金投資者形成合理回報預期也很重要。

第二，如何跟蹤策略有效性？投資團隊可以做非常細致的績效歸因，理解組合內部發生的所有細節。除此之外，也可以觀察策略本身的市場適應性，以及歷史統計特征的外延性。例如，對每個策略進行日常體檢，高頻跟蹤跟蹤誤差、日度勝率、超額幅度、超額最大回撤等指標；同時與自身歷史回測比較，也與市場同類產品比較。結合這兩個維度，可以更準確判斷策略當前處于正常還是異常狀態，并決定后續應對方式。

第三，如何應對超額短期回撤？我們團隊真正介入這種投資方式，大約是在2022年之后。2023年10月，我管理了一個小組合，2024年2月遇到黑天鵝，發生較大回撤，但后面也較快修復。絕大多數回撤可以理解為短期市場情緒與量化統計規律的階段性背離。只要市場生態沒有發生本質改變，當前量化模型捕捉的很多微觀規律就不太容易永久消失，超額收益也具有一定均值回歸特征。

當然，信息比率下降和超額波動變大，是當前不得不面對的問題。優秀私募同行也能看到類似挑戰。量化規模擴張帶來的交易擁擠，使過去挖掘出的很多因子在生產環境變現時出現問題，交易環節也面臨挑戰。此外，ETF和被動投資崛起，也可能帶來因子底層邏輯變化之外的新問題。面對這些問題，能持續做的事情就是更新和迭代模型。從公募角度看，我們當前距離優秀同行，尤其是優秀私募，還有不小差距，但也意味著迭代和改善空間仍然很大。可以優化的方向包括日內高頻采樣、全頻段信號覆蓋、更細致的收益拆分，以及將風格、行業、個股超額拆得更細，進行更有針對性的預測。

今天分享的內容大致就是這些。我主要希望通過紅利增強這一具體案例，和大家交流我們的一些體會和想法。總之，市場需要敬畏。即使過去一年產品風險收益特征尚可，我仍然認為它可能處在預期年化收益與跟蹤誤差分布中的正向一倍多標準差位置。我們始終要保持敬畏，拉長時間檢驗。真正做出高夏普產品，仍然是一個需要持續努力、也非常艱難的目標。謝謝大家！

（全文結束）

（紀要整理：馬鈺堯）

風險提示：上述內容和意見僅作為客戶服務信息，并非為投資者提供對市場走勢、個股和基金進行投資決策的參考。本公司對這些信息的完整性和準確性不作任何保證，也不保證有關觀點或分析判斷不發生變化或更新，不代表本公司或者其他關聯機構的正式觀點。歷史業績不代表未來收益，基金投資需謹慎。

來源：建榕量化研究

免責聲明：本文為轉載內容，不代表本刊立場，亦不構成投資建議。