在量化投资同质化竞争加剧的当下，不少量化基金经理凭借深厚的数理功底和对前沿AI技术的应用，铸就了差异化的护城河。广发量化多因子基金经理李育鑫就是其中一位。 

　　统计学博士出身的他，基于对市场和数据的深刻理解，不断迭代因子模型，并结合AI智能算法挖掘出更深层的阿尔法因子，形成了一套从因子开发到多维风控的量化投资体系。 

　　“量化投资的核心是以数据分析为基础，在不确定的金融市场中，采取定量分析的方法持续发掘长期稳定的规律，力求实现穿越周期的超额回报。”在接受采访过程中，李育鑫分享了对量化投资的理解和实践经验。截至3月11日，李育鑫参与管理的广发量化多因子近6个月回报达52.23%，相较于业绩基准，取得了4.48个百分点的超额收益。 

　　量化基金经理的核心竞争力 

　　基于深厚的统计学功底，李育鑫擅长以概率和统计的视角审视金融市场，并通过数据来验证假设。“这种思维模式能够使我在方法论上保持严谨，避免仅凭主观认知作出未经科学验证的结论。另外，扎实的数理专业背景也让我更好地理解、运用和改进AI模型。”他说。 

　　在公募量化领域，多因子模型是一种较为常见的投资策略，即通过数学模型的方式，从多个因子维度出发去评价和挑选股票，并依托算力进行因子挖掘。然而，在李育鑫看来，算力的储备只是基础，阿尔法因子的积累才是结果，真正的超额收益来源于对市场本质规律的深刻洞察。 

　　“我们可以把算力比作是一辆汽车，如果只有汽车，没有驾驶员，就永远到达不了目的地。”李育鑫解释道，“基金经理的作用就在于，基于对市场和数据的深刻理解，确定汽车前行的方向，并在此方向上持续进行因子挖掘、模型迭代，逐步积累，最终形成一套成熟的投资框架。” 

　　基于此，他认为，量化基金经理的核心竞争力体现在四个方面。首先，对统计模型有深度理解和运用的能力，运用扎实的专业知识，对细节进行优化处理。其次，拥有发散性思维和独立思考能力，在研报和文献启发的基础上形成独特见解。再其次，还要具备对市场规律的深刻洞察力，基于对市场的充分认知持续改进模型和策略。最后，具备高效的代码实现能力，把想法转化为有效的投资策略。 

　　李育鑫认为，在复杂多变的市场环境中，量化基金经理难免会遭遇因非常态化市场环境导致阿尔法模型阶段性失效的挑战。在市场定价机制的有效性恢复前，如果基金经理对市场运作规律有充分的理解，能深入分析导致模型回撤的影响因素是长期还是短期的，就能更加从容地应对，并作出合理的决策。 

　　运用AI技术为挖掘阿尔法赋能 

　　近年来，AI领域新技术、新应用层出不穷，广发量化多因子在投资策略中较早引入了机器学习、神经网络等AI技术，已经历了从传统多因子模型向“AI赋能”的迭代。 

　　“运用AI技术能够有效提高产品的超额收益。”李育鑫解释道，一方面，在因子的挖掘上，个体对于市场的认知与理解存在一定的局限性，借助AI技术能够发现隐藏在更深层次的定价规律，从而弥补传统认知的不足。比如，采用遗传算法、神经网络等方式，算法会进行交叉变异和自我迭代，逐步提炼效果更好的表达式，挖掘隐藏的阿尔法信息。另一方面，在因子的整合上，传统方法是使用简单的线性模型对不同因子进行合成，容易错过市场上的非线性信息；AI技术可以通过更高维的信息处理方式，发现市场中的非线性定价规律，弥补传统线性模型的不足，显著提升阿尔法因子的挖掘效率和效果。 

　　提及广发量化团队的支持，李育鑫表示，团队已经储备了丰富的因子，并搭建了因子共享库，将团队成员长期积累的研究成果汇集起来，既能避免重复开发，又能确保阿尔法来源的覆盖广度。具体到在产品管理中如何加工因子、进行整合，每个基金经理都有自己的不同方式，从而形成“前端共享、后端独立”的运作模式。 

　　构建三重风控体系 

　　“有别于传统的主动投资，量化投资的优势并不在于捕捉到少数涨幅较大的个股，而在于通过分析金融数据的历史规律，有效识别并避开有潜在大幅下跌风险的股票。”李育鑫说。 

　　据李育鑫介绍，在控制回撤方面，广发量化多因子主要通过三个层面来实现。一是模型构建维度。关键是采用多策略组合模式，通过策略间的差异化配置进一步分散风险。当单一策略出现阶段性失效时，其他收益来源的策略仍然有效。通过多策略的动态平衡，形成长期互补效应，从而平滑组合净值的整体波动。二是策略构造维度。在开发单个策略过程中，严格监控因子暴露程度，避免在特定超额收益来源上提高风险敞口的集中度。通过均衡配置不同因子的风险预算，确保各策略在收益来源和风险敞口上合理分布。三是组合优化维度。在股票组合生成环节，运用“优化器框架”执行双重目标：既筛选具有超额收益潜力的标的，又严格约束组合相对于基准风格的偏离及行业敞口的暴露，有效控制组合的超额收益回撤幅度。 

　　对于未来要探索的投资方向，李育鑫表示，将更加聚焦于对于策略本质的优化：一方面，强化现有模型的核心优势，通过三重风控体系，尽量预判并规避存在下行风险的个股；另一方面，在现有模型上探寻新的超额收益来源，把握动量股票，多头改进，力求形成收益互补的效应。