会议：开源证券2026年中期策略会

议程：量化投资与资产配置论坛 

日期：2026年5月20日 

地点：北京金融街威斯汀大酒店

主办：开源证券金融工程魏建榕团队

主题演讲：高夏普红利增强策略的探索实践

特邀嘉宾：泓德基金量化投资部总监 苏昌景

发言实录 ： 

感谢开源证券金融工程团队魏建榕博士的邀请！ 本次策略会主题是“逐光而行”。起初我以为这一主题更像主观投资团队的表达，但量化投资也一直在“逐光而行”，只是我们追逐的是相对有效、并且具有理性内核的“理性之光”。今天的分享延续前面几位嘉宾对“高夏普”目标的讨论，但会聚焦在一个更具体的方向： 如何通过红利增强策略实现高夏普。 从投资者角度看，经风险调整后的回报是评价主动管理能力的重要标准。做出高夏普产品，也是资管从业者长期追求的方向。今天我会围绕红利增强策略，分享我们过去几年在量化投资中的探索，以及在这一特定领域内的实践。 

实现高夏普的路径有很多，例如资产配置、CTA、多策略组合等。今天我重点讨论其中一条路径：红利增强。可以用一个简化公式来理解：卓越夏普 ≈ 稳健红利Beta + 高信息比率Alpha。

从收益来源看，红利增强策略的预期收益可以分解为两个部分：第一部分是 红利因子的风险溢价 ，第二部分是量化选股带来的超额收益。红利因子的风险溢价可以从两个维度理解： 

第一个维度，是红利因子过去表现出的稳健风险收益特征。红利因子或高股息因子，与价值因子、质量因子在逻辑上存在交叉。股票具有较高股息率，往往意味着估值合理甚至偏低。从Barra风险因子历史收益曲线看，中国市场中低估值长期具有相应风险溢价，因此股息率因子中体现了一部分估值溢价。同时，如果一家公司能够持续、稳定分红，背后通常意味着其账面自由现金流较充沛、资产负债结构较合理，治理水平也相对较好。因此，高股息背后也隐含一定质量溢价。综合来看，红利投资可以理解为高质量价值投资的一种综合表达。通过暴露于红利风险，我们实际承担的是在中国资本市场中经过验证、具有回报补偿的财务稳健与估值约束下的风险。 

聚焦A股市场，中证红利指数是红利风格投资中较为纯粹的代表。从基本面和风险特征看，它的风格非常清晰。过去十年主要指数的风险收益特征显示，中证红利全收益处在较优位置，即收益相对较高、波动相对较低。从这一角度看，中证红利指数过去十年的风险收益特征，或者说夏普比表现，较为突出。当然，过去十年的表现有其特殊性，受到宏观背景、中观产业背景、股市资金结构等因素共同影响。向未来看，其他指数所处位置可能出现较大漂移，例如成长科技、中证1000等资产未来十年的相对位置都有可能改变。但我们认为，红利资产从自身象限的绝对位置看，长期漂移可能相对较小。这也是红利资产的重要特征：能够提供风格稳定、可解释性较强的基准。 

第二个维度，是主动管理能力。仅暴露于稳健红利Beta，放到更长周期看，吸引力可能并不足够，因此还需要加入主动管理人的附加值，也就是Alpha能力。在红利投资中，市场上既有主动管理投资人，也有量化管理投资人，各自具有不同能力圈。作为量化投资人，我们更关注的是，在中国资本市场生态下，量化方式能否提供较好的超额贡献，从而进一步提升中证红利这一稳健Beta的夏普比，并使其在未来具有一定延续性。从私募量化指增产品的历史业绩可以看到，优秀私募量化同行过去通过全样本空间选股，利用多类别信号进行科学预测，并通过系统化管理创造了持续、高信息比率的超额收益。这两年私募量化规模扩张较多，核心原因之一也正是其产品风险收益特征清晰，并且确实创造了较稳定、可持续的超额回报。聚焦红利增强这一高夏普量化路径，我们的思路也类似：先定位一个稳健的中证红利Beta作为基准，再在此基础上进行量化增强，构造兼具红利资产防御性和量化选股锐度的策略，力争形成长期可复制、风险调整后回报较好的高夏普解决方案。从这里开始，Beta的问题已经较为清晰。对于量化从业人员而言，我们不会把主要精力放在研究Beta上，或者说在Beta研究上未必比策略研究员更专业。我们更关注的是，如果要做这一类资产的增强，大概率应该采用什么方法、能够实现怎样的超额收益风险特征，也就是如何实现高信息比率Alpha。后续交流将主要围绕Alpha展开。 

刚才主持人提到泓德红利优选是我在管的产品。严格来说，由于运作时间还比较短，还谈不上代表作。但我特别想在这个专题上分享，是因为它非常具象。该产品于2025年4月底成立，到现在大约一年多。从股票组合层面看，成立以来表现总体符合策略回测端长期风险收益统计特征。它可能带有一定量化视角下的随机因素，但大概率上，符合我们长期对于这个策略风险收益特征的定位。后续内容主要围绕这个产品背后的策略构建展开。 

如果要做红利增强策略，必须针对红利资产本身的特征设计量化模型。对于量化投资管理人来说，主动管理基本定律始终成立：量化模型长期能够获得的超额收益，与模型预测能力、独立决策次数以及股票收益截面波动性有关。也可以简单理解为，超额收益潜力与IC、投资广度以及收益截面离散度相关。第一，模型预测能力取决于能否在样本域中找到定价能力较强的因素。第二，独立决策次数可以狭义理解为样本域宽度，也就是投资广度。第三，红利资产自身的波动属性也很重要，所有获取收益的基础，都应建立在尊重这一类资产波动属性的前提下。因此，做红利增强时最根本的原则是：可以在全市场追求Alpha最大化，但必须有一个硬约束，即不能偏离红利资产本身的核心风险收益属性。这一点与真实投资者对产品的定位和期待是一致的。 

举例来说，如果科技行情很好，红利增强产品通过大量配置科技股来战胜红利指数，短期可能获得超额收益，但这实际上背离了投资者购买红利产品的初衷。投资者买红利产品，通常希望在经济偏弱、市场系统性风险上升或成长风格回落时，通过红利资产获得相对低回撤的防御属性。如果产品通过背离红利波动属性来获取收益，长期可能削弱产品生命力。因此，红利增强的根本原则，是在红利样本特有的截面波动属性基础上，进行针对性模型优化。具体可以从三个方面展开： 

第一，构建红利型股票样本池，拓展投资广度。目标是在扩大样本域、尽可能实现全样本选股的同时，在极端行情下保持与红利基准风格的一致性。 

第二，在样本池中挖掘有效因子并训练专用模型，提升模型选股能力。核心是能否识别其中具备持续性的收益规律，这也是量化投资最核心的竞争力来源。 

第三，进行组合优化与风险控制。随着投资者越来越成熟，量化产品相较于主动产品的一个重要优势，是能够清楚地知道自身产品的风险收益特征应稳定在什么状态。私募量化这几年规模能够做大，一个重要前提也是其产品风险收益特征清晰、回报可解释。在这一基础上，再讨论主动管理能力才更有意义。 

先看样本拓宽。红利增强的基本原则是：以在全市场最大化预期Alpha为目标，但以不偏离红利基准的核心风险特征为硬性约束。这里首先要思考一个问题：在追求全市场超额收益的同时，如何防止策略在极端行情下发生风格漂移，或者遭遇尾部风险？如果在投资者最需要红利增强体现防御性和高夏普属性的时候，产品让投资者失望，这是最需要避免的情况。我们的做法是通过两层过滤机制来纯化红利增强股票池。第一层是基本面质地筛选。这更多是从因果逻辑层面设置红利准入门槛。长期来看，红利资产风险收益特征最本质的来源，仍然是公司基本面具备某些特质，例如盈利持续增长、自由现金流创造能力较强以及分红意愿较高。这个门槛可以适度放宽，但不能完全没有。因为当其他风控机制失效时，真正能够起作用的，往往还是这些长期信息比率不高、但具有时间价值的基本面保障。第二层是尾部风险隔离，这更偏统计手段。对于非成分股，需要检验其在正常市场环境和危机市场环境下是否都能保持与红利资产相近的风险收益特征。例如，平时某类非红利资产与红利资产相关性较高、表现也不错，但在危机时刻二者差异可能突然放大。这样的资产可以被理解为“伪红利资产”，在投资过程中需要识别并控制风险暴露。通过基本面质地筛选和尾部风险隔离，可以在一定程度上既保留全市场选股带来的广度，又控制偏离红利资产核心属性的风险。 

样本问题之后，第二个核心是模型优化，其中最重要的是选股因子。选股因子是量化策略获取超额收益最根本的材料，决定最终策略绩效的上限。后续组合优化、风控、交易执行等环节，都是在此基础上继续加工。过去两年，我们深度覆盖的因子主要包括两大类：量价因子和基本面因子。量价因子方面，过去大家围绕传统量价因子做了很多工作，其中包括大量人工逻辑因子。近两年，我们也拓展了很多新型量价因子，主要工作包括从微观结构数据中挖掘信息，从Tick级数据到逐笔委托数据，尽可能深入到底层交易数据。基本面因子方面，目前挖掘也比较充分，包括财务报表、一致预期等数据。除了过往人工逻辑因子之外，也尝试做公式化挖掘。当前新增的一类信息量较多的方向，是量价与基本面结合的因子。借助非线性工具，可以对基本面信息和市场交易信息进行交叉验证，生成一些传统线性框架下不容易发现的基本面信息因子。它们的IC幅度未必很高，但加入模型后，增量信息和历史IC统计特征可能与传统量价因子存在明显差异，有助于提升最终超额收益的信息比率。还有一类值得关注的是新型另类因子。AI大语言模型出现后，可能带来新的增量数据。股票价格每天波动背后的信息来源大致有三类：第一类是上市公司自身经营、财报等数据；第二类是市场交易者行为，体现为各种量价交易数据；第三类是证券市场参与者产生的大量文本和音频信息，例如卖方观点、调研纪要、路演资料等。过去，这些非标信息主要以音频或文本形式存在，很难被系统化纳入量化模型。现在AI模型提供了新的方式，可以将非标信息和私域信息转化为结构化量化信号，用于模型预测。无论是红利增强还是其他增强策略，量化投资中70%-80%最有效的工作，可能仍然来自因子端。因子来源越多元，越有助于分散超额收益来源。 

从因子生成方式看，我们覆盖人工逻辑因子挖掘、遗传算法自动公式化挖掘、深度学习批量自动挖掘等方法。因子种类扩张有助于提升超额稳定性，因为不同类型因子依赖的信息来源和数据分布不同。一类因子失效时，其他来源的因子不一定同时失效，从而有助于在特殊市场行情下控制超额回撤。因此，挖掘历史数据切片中的统计不对称，需要充分分散信号来源。 

进入股票回报预测和模型训练环节后，步骤相对系统化。我们当前主要使用多因子框架，大部分工作仍然放在因子挖掘上，追求选股因子的有效性和及时性。最终复合因子的多头表现，决定模型绩效上限。 

因子库构建完成后，会通过因子加权进行股票回报预测，并结合交易成本模型、风险管理模型和组合优化器，输出可执行的目标组合。交易执行优化和降低交易成本等问题，随着规模上升会变得非常重要，这里不展开细讲。 

针对红利增强这一特殊案例，我们需要在前面筛选出的样本域中，针对中证红利这一基准进行单独训练。优化主要从两个角度展开：第一是截面角度。我们希望模型在不同风格暴露特征的股票分组上都具备较好有效性。尤其当样本域扩张后，不同细分红利风险暴露层次的股票，其特征会有所差异，因此需要模型在这些分组上保持稳定预测能力。第二是时序角度。我们希望模型在不同市场风格主导时期下尽可能持续有效。也就是说，模型不能只适应某一种市场状态，而应尽量在不同风格周期中保持可用。 

前面主要讲策略开发和研究环节。当策略真正落地到生产环境后，还需要持续管理和优化。 

第一，如何预期超额收益的合理区间？量化策略与主观产品或早期低频基本面策略相比，一个重要特征是风险收益特征在一定意义上具有可预测性。前提是市场环境没有发生异于历史的突变，策略有效性没有大幅变化。比如，一个预期年化超额收益为X%、跟踪误差为Y%的策略，其年化超额收益率可以按照一定分布进行估计。落在均值正负一倍标准差内较为合理；如果落在1.5倍标准差外，可能说明当年有较大运气成分；如果落到负向尾部，则可能体现为产品出现较大超额回撤。因此，我们需要知道产品合理的投资回报区间，对自身能力框架有清晰认知，区分哪些是运气，哪些是模型可能出了问题、需要警惕。这一点对基金投资者形成合理回报预期也很重要。 

第二，如何跟踪策略有效性？投资团队可以做非常细致的绩效归因，理解组合内部发生的所有细节。除此之外，也可以观察策略本身的市场适应性，以及历史统计特征的外延性。例如，对每个策略进行日常体检，高频跟踪跟踪误差、日度胜率、超额幅度、超额最大回撤等指标；同时与自身历史回测比较，也与市场同类产品比较。结合这两个维度，可以更准确判断策略当前处于正常还是异常状态，并决定后续应对方式。 

第三，如何应对超额短期回撤？我们团队真正介入这种投资方式，大约是在2022年之后。2023年10月，我管理了一个小组合，2024年2月遇到黑天鹅，发生较大回撤，但后面也较快修复。绝大多数回撤可以理解为短期市场情绪与量化统计规律的阶段性背离。只要市场生态没有发生本质改变，当前量化模型捕捉的很多微观规律就不太容易永久消失，超额收益也具有一定均值回归特征。 

当然，信息比率下降和超额波动变大，是当前不得不面对的问题。优秀私募同行也能看到类似挑战。量化规模扩张带来的交易拥挤，使过去挖掘出的很多因子在生产环境变现时出现问题，交易环节也面临挑战。此外，ETF和被动投资崛起，也可能带来因子底层逻辑变化之外的新问题。面对这些问题，能持续做的事情就是更新和迭代模型。从公募角度看，我们当前距离优秀同行，尤其是优秀私募，还有不小差距，但也意味着迭代和改善空间仍然很大。可以优化的方向包括日内高频采样、全频段信号覆盖、更细致的收益拆分，以及将风格、行业、个股超额拆得更细，进行更有针对性的预测。

今天分享的内容大致就是这些。我主要希望通过红利增强这一具体案例，和大家交流我们的一些体会和想法。总之，市场需要敬畏。即使过去一年产品风险收益特征尚可，我仍然认为它可能处在预期年化收益与跟踪误差分布中的正向一倍多标准差位置。我们始终要保持敬畏，拉长时间检验。真正做出高夏普产品，仍然是一个需要持续努力、也非常艰难的目标。谢谢大家！ 

（全文结束） 

（纪要整理：马钰堯） 

风险提示：上述内容和意见仅作为客户服务信息，并非为投资者提供对市场走势、个股和基金进行投资决策的参考。本公司对这些信息的完整性和准确性不作任何保证，也不保证有关观点或分析判断不发生变化或更新，不代表本公司或者其他关联机构的正式观点。历史业绩不代表未来收益，基金投资需谨慎。