证券时报记者 裴利瑞 

　　开年以来，科技板块高歌猛进，红利资产相对承压。但近期，光大保德信基金却选择逆市布局一只红利量化产品——光大保德信红利量化选股混合，且基金经理拟由公司量化业务负责人朱剑涛亲自管理。 

　　对于为何在当下时点布局红利量化基金，朱剑涛表示，虽然目前的科技股行情对红利资产造成一定的虹吸效应，但“躁动”后的市场短期内有回归基本面的趋势；同时，AI也正在重塑量化投资，有望实现从提升效率到提升投资收益的进阶。 

　　防御性资产也能稳中求进 

　　朱剑涛坦言，今年以来，科技股的价值修复行情非常迅猛，从而对红利资产形成了一定的虹吸效应，2个多月的时间，科技资产与红利资产便形成了明显的收益差异。数据显示，截至3月14日，今年以来科创50指数上涨10.03%，中证红利指数则下跌了2.47%。 

　　“但低利率环境下，险资等长期资金对稳定高分红的需求不会减弱。即便短期科技股虹吸效应明显，但随着政策红利释放和年报业绩披露，如果没有持续的新题材或热点涌现，市场短期内会逐步向基本面方向回归。” 朱剑涛认为，未来红利策略的吸引力仍有望延续。 

　　同时，朱剑涛认为，中证红利指数的成份股集中于银行、煤炭等传统行业，超额收益空间相对有限，此次新产品选择了主动量化策略，优势在于适当优化股票池，通过多维度打分动态优选个股。 

　　谈及新产品，朱剑涛将其定位为一只“红利+”的基金，“+”的方式一方面是优化选股范围，将股票投资标的从“中证红利指数成份股和备选成份股”调整至“在过去2年中，至少有一年实施现金分红，现金分红率或股息率处于市场前50%”；另一方面，是使用量化策略更高效挖掘有效因子、控制风险。 

　　对于量化策略的竞争力，朱剑涛认为关键在于细节：“量化是系统工程，每个环节差1%，最终结果可能差10%。”以红利策略为例，传统中证红利指数仅按股息率筛选，而红利量化选股可以根据股息率对可投资标的进行筛选，通过动态加权、行业约束和交易优化，在控制跟踪误差的同时实现超额收益。以“红利”这类稳健属性资产打底，用量化方法追寻超额收益，力争做到“稳中求进”。 

　　机器学习应化繁为简 

　　如何通过量化投资获取超额收益？“量化投资的本质，是用更精细的工具挖掘市场逻辑。在我们看来，Alpha（超额收益）= Logic （逻辑） + Tech （技术） + Luck （运气），我们的目标就是让逻辑、技术与运气形成合力。” 朱剑涛解释，运气成分不是说要去搏一把，听天由命，而是提醒自己一个客观事实，量化模型永远只能解释市场波动的一部分，甚至是一小部分，不能迷信模型，要跟随市场变化持续迭代，才有可能长期战胜市场。 

　　值得一提的是，今年以来，基金公司掀起了DeepSeek本地化部署热潮，朱剑涛告诉记者，光大保德信基金也已经本地部署蒸馏版大模型，大力开发拓展机器学习策略，嵌入多层次的量化模型，让AI赋能量化投资。 

　　对于机器学习模型的开发，朱剑涛提出了一个反直觉的观点：“金融数据信噪比低，模型不是越复杂越好。”团队的核心工作反而是化繁为简，因为与机器学习模型擅长的文本、图像领域相比，证券投资市场的“噪音”含量很高，参数多、体量大的复杂模型可能逐层累积放大输入端的数据噪音，影响模型的准确性和稳定性；实践中，通常先用学习能力足够强的复杂模型去训练学习规律，然后再通过正则化方法对模型进行“修剪”，降低复杂度，提升模型样本外泛化能力。 

　　作为业内较早将机器学习纳入实盘的团队，朱剑涛对AI大模型技术的应用既有期待，也有克制。“目前来看，大模型更多是效率工具，比如自动生成研报综述、辅助因子挖掘，还没到直接产生收益的阶段。随着技术进步，大模型可能在量化投资中挖掘出更多新的阿尔法，提升投资收益。一旦实现这种突破，或改变公募量化投资的格局。” 朱剑涛表示。 

　　避免低概率博弈 

　　朱剑涛的职业生涯，几乎与中国量化投资的发展史同频共振。 

　　他自2010年入行，先后在信托、券商、私募、公募从事量化研究，曾担任东方证券量化首席分析师、进化论私募量化研究负责人等职，2023年加入光大保德信基金，更新升级了公司的量化投资体系，例如改进现有机器学习模型架构、开发新机器学习模型，扩充阿尔法因子库，亲历了量化投资从传统多因子模型到机器学习策略的迭代。 

　　2024年以来的A股市场，科技股快速修复与红利资产的跷跷板效应，让量化策略面临考验。朱剑涛坦言，年初至今的行情集中度较高，量化依赖统计规律，需要分散持仓，但热点过于集中时，超额收益容易回撤。不过，他对此并不焦虑：“量化策略的修复需要时间，就像抛硬币，短期可能偏差，长期必然回归概率。” 

　　“我们不会为了短期排名盲目调仓，而是坚持纪律，避免低概率博弈。”比如，对于近期热议的“另类数据”，朱剑涛保持了理性。“我们测试过舆情、产业链、卫星数据等数十种来源，最终发现只有少数能提供增量信息。”他举例，产业链网络数据能捕捉上下游公司的联动效应，但这类数据不是标准的表格形式，需通过特定神经网络模块加工分析。