技术飞速发展,量化投资快速迭代。
我们重点关注Man Group、AQR、Acadian、Robeco、Two Sigma、BlackRock 等机构的公开资料,发现近两年的量化投资研究整体呈现出一条较为一致的方法论演进主线:在AI大量解放生产力、因子生产效率提升后,量化选股的核心竞争力正从“开发更多有效因子”,向“把信息处理、信号生成、投资落地整合成更稳定的系统化能力”迁移。
海外量化研究趋势:
1)通过大模型高效利用信息。
2)系统化的信号管理与模型构建。
3)传统因子及方法的精细化升级。
海外公募量化投资变化:
1)更重视因子使用细节。
2)主动与量化结合的形式更加常见。
风险提示及声明:报告对于海外产品的研究分析均基于公司、彭博等公开信息,可能受分析样本不同而产生一定偏差,产品未来表现受宏观环境、市场波动、风格转换等多重因素影响,存在波动风险;本报告不涉及证券投资基金评价业务,不涉及对基金产品的推荐。
1.技术飞速发展,量化投资快速迭代
在此前的海外量化系列报告中,我们总结了近年来海外量化投资尤其是美国量化投资领域的三大重要方向:
1)宏观因子配置框架:以贝莱德（BLK）、景顺（IVZ）为代表的机构积极布局了以自上而下的宏观逻辑为基础的风格因子配置体系并落地产品,代表产品包括贝莱德（BLK）的因子轮动ETF、景顺（IVZ）的动态多因子ETF;
2)基于另类数据的因子挖掘:传统财报、价量数据能够带来的信息增量有限,贝莱德（BLK）、富达等头部公募量化团队以及其他头部对冲基金目前都在积极构建另类数据相关的Alpha（ALP）因子,使用的数据源包括信用卡消费（883434）数据、卫星遥感数据等;
3)基于研报等文本信息的选股大模型构建:贝莱德（BLK）、高盛（GS）等机构通过研报、电话会议纪要对大语言模型进行微调,输入文本、输出股票得分或情绪标签,最后用于多因子选股模型。
而近两年,技术尤其是AI领域的快速发展,仍然在对量化投资产生持续的影响,本报告中,我们重点对近两年海外量化的新研究趋势,以及公募量化的新发展方向进行梳理,以对国内量化投资的未来发展给予启发。
我们重点关注Man Group、AQR、Acadian、Robeco、Two Sigma、BlackRock 等机构的公开资料,发现近两年的量化投资研究整体呈现出一条较为一致的方法论演进主线:在AI大量解放生产力、因子生产效率提升后,量化选股的核心竞争力正从“开发更多有效因子”,向“把信息处理、信号生成、投资落地整合成更稳定的系统化能力”迁移。此前我们提到的趋势中,另类数据的使用已经较为广泛,如何利用AI系统性地生成更多有效信号成为关键;而借助新的技术能力,让投资流程更完备、适应性更强也成为重要方向。例如,2025 年 7 月,Man Group 披露其 Alpha（ALP）GPT 系统已升级为 Agentic AI,能端到端地完成“挖掘数据→提出假设→生成代码→回测验证”全流程;Two Sigma 在 2026 年展望中指出,AI 正在成为量化研究的“操作系统”,而非仅仅是辅助工具。
2.海外量化研究趋势
本部分中,我们介绍上面提到的“把信息处理、信号生成、投资落地整合成更稳定的系统化能力”这一主线中,海外量化机构具体的趋势性研究方向。
2.1 通过大模型高效利用信息
在此前的报告《机器学习选股在海外公募量化发展如何?》中,我们已经提到海外头部公募量化机构尝试利用大模型的文本分析能力,通过研报、上市公司电话会议纪要等文本数据对个股进行情绪打分。而近两年大模型的能力正在持续迭代,已经从简单的文本分析助手进化到全流程辅助生成工具,量化投研中大模型的使用率也有明显提升。
高盛（GS）量化QIS团队对大模型的使用主要集中在使用大模型分析上市公司Earning Call(业绩电话会议)中包含的信号。在2015年左右,高盛（GS）就已经开始通过文本的词频统计等来生成投资信号,而现在可以使用大模型来分析电话会议中的预期、管理层的隐藏预期等,例如通过问答环节管理层的反应来捕捉观点倾向。而JPMorgan的QIS团队则利用大模型构建了主题投资框架,通过大量文本识别个股与主题的关联度,同时也可捕捉一定的情绪倾向。JPMorgan 股票及跨资产产品团队的负责人Deepak Maharaj也提到,在大模型能力不断提升、投研技术能力不断迭代的背景下,高质量的数据是接下来量化投资更重要的环节。
在各类Agent的帮助下,大模型已经不仅仅能分析文本、生成观点,还能够基于文本探索主动投研分析标的的全过程,搭建投研全流程辅助工具。以Man Group为例,其在2024年左右就开始使用AI进行辅助研究,并基于Anthropic的Claude AI开发Alpha（ALP）GPT,用于辅助生成投资假设并进行快速回测验证,Alpha（ALP）GPT主要分为三个部分进行研究工作:提出假设、补充逻辑及生成代码、回测验证。不过,Man Group也提到,大模型挖掘的结果还是会有数据挖掘过拟合和幻觉带来错误的风险,在整个流程中需要投研人员的高频监控,所以策略在上实盘之前也需要通过严格的检验。
在大模型深度融入投研流程之后,也有多家管理人提出大模型使用未来信息或带来过拟合的担忧。例如acadian asset（AAMI）提到,大模型易将公关性质的语言识别为乐观情绪,无法区分真正的情绪;此外大模型的训练截止日期会在回测中带来隐形的数据泄露。Two Sigma同样提到数据泄露问题,并且AI的快速挖掘、生成能力可能加剧过拟合,例如大模型训练中已经知道疫情、金融危机等事件的影响,从而更容易挖掘出规避这些风险的因子信号。
2.2系统化的信号管理与模型构建
在大模型的助力下,因子、信号生产的效率得到了明显的提升,如何评估、管理这些信号并构建预测模型也成为更重要的课题。
2.2.1 机构重视数据治理工作
前面我们已经提到,在大模型能力不断提升、投研技术能力不断迭代的背景下,高质量的数据是接下来量化投资更重要的环节,很多机构也在数据治理上花了更多精力。以Point 72为例,其2018年将大数据团队与部分其他人员整合为Market Intelligence团队,根据官网介绍,目前内部设置Canvas供应链研究团队以及数据分析和研究团队两个部分,其中研究团队目前开始招聘各类数据工程师,职能定位包括知识图谱构建人员、AI工具产品经理等,更加重视数据与技术的交互:
表1:Point72 Market Intelligence团队架构与智能
资料来源:Point72(量化对冲基金),申万宏源研究
其他机构实际也越来越重视数据治理工作,如Two Sigma设置了Data Sourcing & Preparation 环节,其中Data Strategy（MSTR） & Operations团队负责制定全司数据战略、管理数据组合 KPI、建立数据采购评估体系、维护竞争优势相关的数据资产保护机制;而Data Engineering团队负责构建数据生态、自动化数据清洗和标注、对另类数据进行质量评估等。
2.2.2 机构对另类数据的要求提高
而贝莱德（BLK）在近期的研究中也提到,公开销售的另类数据源快速增长,AI处理能力也不断提高,这都使得甄别另类数据成为重要的研究方向:
图1:不同资产类别下独立另类数据源数量
资料来源:贝莱德,申万宏源研究
贝莱德（BLK）提到,从2019到2024年,贝莱德（BLK）研究团队审阅的数据集数量增长超3倍,但拒绝率增长了5倍以上,到2024年仅约 30% 的评估数据集能达到入库标准。虽然数据数量增加,但噪音远多于信号。贝莱德（BLK）衡量另类数据有效的标准主要包括以下4点:
1)原创性(Originality):希望能提供现有信号以外的信息;
2)完整性与覆盖度(Completeness & Coverage):数据在时间、行业、地域上有广度或深度;
3)及时性(TimeLINEss & Latency):关注更新频率、是否支持Point-in-time(时点数据)以避免前视偏差;
4)透明度与可追溯性(Transparency & Lineage（LINE）):能否追溯数据来源、处理方法、版本历史。
而其测试另类数据的流程包括:
1)统计效力回测:使用IC、Horizon-Decayed IR等指标量化预测能力,关注样本外(Out-of-sample)表现而非仅样本内拟合;
2)经济直觉检验:信号必须符合理性投资者行为或套利逻辑,且有时间被交易(部分信号被快速定价,对中长期投资无效)。
3)正交检验:通过正交测试确保新信号与现有基本面、情绪等信号增量互补。
在管理人对另类数据的处理越来越流程化、规范化后,另类数据供应商也在感受到相应的变化。根据另类数据平台BattleFin的研究,2026年顶尖另类数据供应商的竞争力不再仅仅取决于“有什么数据”,而在于“如何交付、治理、打包和处理这些数据”。能够使用 AI 增强分析、多模态数据集、灵活交付格式的供应商,正在赢得更多大型机构买家,并建立起长期合作关系。根据BattleFin的研究,另类数据供应商已经开始在数据提供流程中全面嵌入 AI,帮助客户进行数据清洗、信号提取以及简单测试,而客户对数据推送的要求也在提高。
2.2.3 模型构建适配更多元的数据
数据源数量不断增加、数据处理能力提高后,使用有效信号来构建模型的难度也有所提升,更需要适用性广、能力更强的模型来纳入更多可能的有效信息,也需要兼顾模型与人类干预的兼容性。
贝莱德（BLK）在研究中提到,其在过去十年中不断强化其基于机器学习的Alpha（ALP）信号合成系统,先将特征输入系统、训练机器学习模型并得到预测,然后再用预测的信号结合实际约束生成组合。贝莱德（BLK）AIM系统内置多种模型,包括线性回归、各类树模型、神经网络等,投资经理也可以根据自己的实际需要和理解来选择目标函数,系统将通过大量计算确定合适的模型生成预测,同一套信号由于目标函数的不同可能生成多套预测。此外,AIM系统也可以根据市场环境的不同调整预测,例如其为熊市训练的模型体现了更明显的低波、低Beta属性,在熊市中有更明显的超额,但在牛市中表现也较弱:
图2:贝莱德Defensive模型表现和因子暴露情况
资料来源:贝莱德,申万宏源研究
贝莱德（BLK）正在尝试的研究方向包括分域学习、迁移学习等,尝试将时序变量融入模型训练过程、适应不同环境,以应对信号商品化、衰减更快的市场特点。
Man Group也在进行时间序列相关研究:使用7个宏观变量构建状态向量,并根据与当前状态最相似(距离最近)的多个时间来决定因子的选择,该方法在简单的六因子上获得了不错的效果:
图3:Man Group宏观因子选择回测结果
资料来源:Man Group(对冲基金),申万宏源研究
Man Group仍在关注更复杂模型上类似的宏观场景应用,包括更复杂的宏观数据、不同的宏观变量加权方式、对不同因子的预测力等。
而Two Sigma则在高管AI相关的访谈中提到,AI的不断发展使得“越大越好"的时代终结:训练成本已超过投资回报,需要新架构、专用加速器、神经网络压缩来提高效率,“可解释性”也成为了新的模型竞争方向。
2.3传统因子及方法的精细化升级
除了AI发展对另类数据、文本信息带来的变化,另一端的传统因子虽然受到影响不大,但因为其长期的收益贡献,机构仍然高度重视并在持续对其进行细节改进。我们对部分因子的改造方向总结如下:
表2:传统因子改进案例
资料来源:申万宏源研究
以上因子改进中,有多个实践方法用到了新的数据来源如文本、招聘数据等,也有不少方法是在传统数据源基础上,结合实际市场特点加入了更深入细致的分类。整体来看,除了复杂方法,海外量化机构仍高度重视传统因子的精细化改进。
3.海外公募量化投资变化
3.1 更重视因子使用细节
相比于对冲基金,由于受限于交易频率,公募平台对于传统因子改进的重视程度更高,近两年也有不少因子改进落地于公募产品的案例。
以Alliance（AENT） Bernstein为例,该管理人近几年新发的产品中多有强调因子使用的细节,代表产品如下:
表3:Alliance Bernstein近年新发类因子产品情况
资料来源:路孚特,申万宏源研究,规模截至2026年7月
AB US Large Cap Strategic Equities ETF为主动ETF产品,实际采用了主动量化结合的方案,会根据现金流创造能力、需求增速等指标来多维定义高质量的公司,使用主观逻辑来完善因子定义。
Alliance（AENT） Bernstein股票部门负责人、公司执行委员会成员Nelson Yu介绍了“高质量”股票投资的方法,采用量化的语言来表达主观投研的投资逻辑,以确保后续投资的稳定性,具体来看,其对公司竞争优势、定价能力、创新能力等给出了相对明确的评判标准:
图4:AllianceBernstein（AFB）质量标准
资料来源:Alliance（AENT） Bernstein(联博基金) ,申万宏源（HK6806）研究
以上标准仍然偏定性,下一步需要用更加明确的指标来筛选,但不同成长、价值风格的股票需要用不同的标准来衡量,因此需要区分不同股票池中的质量筛选标准:
图5:AllianceBernstein质量具体指标
资料来源:Alliance（AENT） Bernstein(联博基金),申万宏源（HK6806）研究
通过明确的标准筛选出股票池后,下一步则需要基本面研究人员进一步根据公司的商业模式、行业竞争格局等来判断公司,AB认为两部分结合后更有利于用科学的方法筛选出定义更明确的高质量公司。以上流程一方面体现了AB对质量因子的精细化使用,另一方面也充分体现了主动量化结合的思路。
Alpha（ALP） Architect一直较为专注于因子细节的改进,例如其价值策略使用了税息前利润/企业价值作为主要估值指标,同时结合盈利能力、盈利稳定性、经营动量等质量指标来进行叠加增强:
图6:Alpha Architect价值策略概况
资料来源:Alpha Architect(基金管理人),申万宏源研究
而其动量策略则加入了“fog-in-the-pan”指标,偏好由分散的小幅上涨构成的动量而非短时间的大幅上涨:
图7:Alpha Architect动量策略概况
资料来源:Alpha Architect(基金管理人),申万宏源研究
Columbia 2025年发行了Research Enhanced系列产品,其中加入了“Catalyst”催化剂因子,该因子包括公司的价格和业务动量、市场情绪等指标,不同行业公司的指标可能有所差异。高盛（GS）的Data Enhanced产品也类似,参考公司质量模型、情绪分析、主题趋势等维度进行选股。
此外,Motley Fool 2025年发行的单因子ETF都采用了精细的改进因子,3只产品分别为创新成长、价值和动量。成长因子包含毛利润增速、毛利润创新(通过创新手段提升毛利润)、成长潜力等,价值因子包括BP、毛利润/企业价值、股东回报率等,动量因子结合了价格动量、因子动量等,每只产品持仓约150只股票。
表4:Motley Fool改进因子产品情况
资料来源:Motley Fool(基金管理人),申万宏源（HK6806）研究,规模截至2026年7月
整体来看,各家量化管理人都在积极进行单因子的增强改进,或在多因子类产品的使用中融入了更多的因子调整,以体现主观投研对量化的增量贡献。
3.2 主动与量化结合的形式更加常见
前面我们看到的因子细节改进实际很多来自于主观投研经验,而对于公募平台来说,主动与量化结合共同管理产品也成为一种流行的模式。
包括我们提到的Alliance（AENT） Bernstein、Columbia在内,越来越多的管理人发行了主动与量化结合的产品,不少产品在名称中直接带有Integrated、Blended等词汇进行标记。我们对美国10.9万亿美元的主动股票基金+主动股票ETF进行筛选,统计规模前30名的机构中明确有主动+量化结合产品特征的机构,共有6家,多数为主动管理规模排名前十的机构,代表产品如下:
表5:美国主要主动量化结合产品
资料来源:路孚特,申万宏源研究
此外,前面我们提到的Alliance（AENT） Bernstein虽然没有明确的主动量化系列产品,但实际其量化思想已经通过因子化思维嵌入,量化研究员、基金经理也已经与主观投研团队形成一体。
下面我们对上表中的代表产品系列进行介绍。
3.2.1 普信Integrated系列
Integrated系列明确采用主动和量化结合的方式,量化部分包括持续成长、估值、动量、质量等定量指标对股票进行1~10分的打分,主动部分涵盖100名以上基本面研究员对上市公司进行买入、持有、卖出的评级,然后将两者按如下方式进行结合:
图8:普信主动与量化结合方式
资料来源:普信,申万宏源研究
选出股票后,组合再根据行业约束、量化打分等调整权重,并可能补充部分基本面不覆盖的股票来平衡权重。根据路孚特的数据,截至2026年7月,普信在美国Integrated系列产品的合计规模达到120亿美元。
3.2.2 JPMorgan Fundamental Data Science系列
JPMorgan的该系列产品主要希望将数据科学嵌入主动管理方法中,将数据、主动投研和风控合为一体。在数据方面,投研人员将不同的数据源进行处理形成信号,并和内部主动观点结合,然后采用优化方法构建组合。该系列的基金经理之一Eric Moreau属于 U.S. Structured Equity Group,团队多人有量化背景,并设置研究团队进行数据应用、组合构建、交易模型的研究。
3.2.3 MFS Blended Research系列
Massachusetts Financial Services(MFS)是发行美国首只共同基金的管理人,其Blended Research系列为主动和量化结合的产品,目前11只产品含4只ETF、7只场外主动产品,最早的产品追溯到2000年前,规模合计超过100亿美元。系列产品按照投资股票的范围和风格区分,分别为大盘核心、中盘、小盘、大盘成长、大盘价值、国际和新兴市场。具体的,MFS通过基本面研究对每个公司进行基本面评分,同时通过定量分析也对公司进行打分(量化模型预测周期（883436）为12-18个月,比一般量化模型更长),最后将两者合成得到综合得分。由于量化打分的覆盖面比基本面更广,当基本面研究员未覆盖某公司时,其基本面得分置为中性。在组合构建时,MFS通过组合优化方法,综合考虑总得分、行业权重、波动率等因素,基金经理可以调整优化器中的各项参数,也可以根据主观判断调整优化后的持仓结果。最终,各产品希望在一定跟踪误差范围内实现超额收益,不同投资范围的跟踪误差有所区别,基准为标普500（SPX）的核心股票产品、大盘成长价值产品、国际和新兴市场产品的跟踪误差限制仅2%,中盘和小盘产品则限制为3%,整体较为严格。
3.2.4 American Century DiscipLINEd系列
American Century目前设有专门的DiscipLINEd Equity团队,团队主要采用定性、定量结合的手段进行选股,会通过估值、质量、成长、情绪等一系列指标构成的定量模型选股,然后根据输出结果,再结合事件、公司公告等情况来最终选定组合,属于先量化、后基本面决策的路径。
该团队目前的首席投资官负责所有规则化策略的开发执行,同时也参与研究团队工作,该负责人此前就职于DFA以及ETF管理人Invesco的因子团队,也说明了主动管理人近两年对量化投资加入主动管理的积极引入。根据American Century的介绍,该团队目前有5人以上投研团队、管理规模超过100亿美元。
图9:American Century纪律化股票投资团队CIO
资料来源:American Century(基金管理人),申万宏源（HK6806）研究
3.2.5 Columbia Integrated和 DiscipLINEd系列
Columbia Management于1962年成立,此后从1997年开始公司经历了多轮收购,最终于2015年与Threadneedle合并,成为Columbia Threadneedle Investments,Columbia继续运营其主动管理型基金。Columbia同时有Integrated和DiscipLINEd两个主动量化结合系列,其中DiscipLINEd系列更偏量化,主要将基本面逻辑采用量化方式因子化,然后形成多因子选股组合,表4中的代表产品规模超过50亿美元;而Integrated系列则采用先量化、后主动的方式,先根据量化模型从股票池中进行筛选,根据质量等基本面指标对股票进行打分,然后通过优化器进行组合构建,在构建过程中,管理人会根据定性判断剔除或调整股票,剔除后进一步在优化器中迭代直到最终组合完成。
3.2.6 John Hancock DiscipLINEd Value系列
宏利旗下John Hancock的DiscipLINEd Value系列产品实际由Boston Partners作为子管理人管理,产品选股时主要考虑PE等价值指标,同时与资本回报率、盈利增长、现金流等指标配合,此外,基金经理也会根据行业趋势、公司各方面竞争力等定性分析来结合选股。管理人避免传统量化价值产品单一关注静态估值,而是关注估值、基本面、动量三个维度:
图10:John Hancock价值投资方法
资料来源:John Hancock(基金管理人),申万宏源研究
管理人将上述投资方法称为“三圈”投资法,密切关注满足其中“两圈”的标的, 以寻找边际变化的机会。
