为配合10周年庆，经过内部全员投票，投资聚义厅将有10位兄弟每人写一篇文章，介绍/回顾自己的投研方法论或是投资思考感悟。从本期开始，这个【聚义厅·十周年精华分享】系列将节选一部分开始连载。
这次打头阵的，是聚义厅早期兄弟中公认研究能力最强的一位，代号CK。CK是周期之王的缩写，此君从在学校开始就对周期股的研究非常有心得，因此落得了一个周期之王的美誉。
我们相识之时他才大四，就已经能够对银行/钢铁/水泥/煤炭/航运的投资机会做出长期和短期的分析，且真正做到逻辑严密数据详实，当时宝哥就赞叹此君日后必成大器。一转眼，如今的CK已经是在公募任基金经理兼研究负责人。这十年来他还带出了好多兄弟，如果说要在我们内部投出一个类似“研究总监”的角色，我猜CK将是呼声最高的。
CK这两年的一大工作重心，是如何将主观经验积累下来的周期股投研方法，结合大数据与人工智能，构建出一套自动化程度较高的体系，从而极大提升投研性价比和准确率。宝哥在上篇文章《逆风莫摧残》里提出的识别基本面周期位置这类问题，在数据较为高频的偏周期行业里已经有较好的解决方案，下文中还结合了具体案例，强烈推荐大家学习。
客观说，过去这些年来市场上的周期股研究员被耽误得很严重。如果通过智能投资体系能让他们从周期行业里抽身出来，时间放在成长股上，成就将远比现在更高。衷心祝愿如今也掌管消费基金的CK，能从周期之王转型消费之王。
——宝哥
过去十几年，诸多行业都实现了科技赋能之下的生产效率大幅提高。可作为学校中最优秀的同学趋之若鹜的工作，主动投资管理在过去十几年中保持着几乎没有进步的生产力与生产关系：
研究员和基金经理的生产工具一如既往的是Wind+office三件套。铁打的基金公司，研究员和基金经理流水般来去。而研究员和PM一旦离职，电脑资料一拷走，交还给公司一台空白电脑，什么都没有留下。
一家资产管理公司和其他企业一样面临如何“长青”的难题。中国的公募基金行业发展迄今30余年，领头的基金公司却换了一茬又一茬，06-07年、14-15年、19-20年都有不同的基金崛起与衰落。基金公司的随机兴衰起落，与投研能力非标化，跟着人走而非跟着公司走有很大关系。
本文主要从研究员和基金经理即资管行业从业者“打怪升级”之路的角度介绍笔者及所在的浙商基金在智能投资方面所作的探索和实践。我们希望AI以及“系统”的介入可以在生产力的进化、知识与投资策略的传承以及产品线搭建上有所突破。
1 研究员的信息输入
研究员输入的杂乱无章的第一手信息和数据，经过一系列的加工整理分析，输出基于事实的和针对单一公司或板块内比较的投资建议。 基金经理的工作是同时输入研究员或外部经过加工的二手信息或自行获得的一手信息，经过一系列的加工整理分析，输出基于组合构建或者说不同标的之间比较的投资决策。
这里我们先讨论一下研究员信息输入的部分：投资相关的输入数据分为三个维度，按照时间顺序而言从后往前依次是①报表财务数据；②实际业务数据；③实际业务数据生成期的前瞻类、确认类、反应类数据。
比较懒惰的研究员等到财报发出之后再做分析解读，这在充分甚至过度研究员的A股市场可能为时已晚。如果领导重仓股票遭遇财报miss下跌，大概率会被修理； 勤奋一点的研究员，会在630、1231的财报发出之前，开始打听数据/预期用于推测即将发布的财务报告； 更勤奋的研究员会按照月频甚至周频跟踪业务数据； 而更更勤奋的研究员已经开始用大数据的工具甚至舆情数据跟踪来预判即将发生的业务数据。
在这个勤奋链条上，最最丰厚回报往往也奖励给了最最勤奋的研究员。我们举一个汽车行业的例子加以说明。
汽车之家是我国最大的汽车消费者论坛，某一款车型在汽车之家论坛上讨论的热烈程度往往可能预示着汽车的销量。以SUV为例，过去证明成功的哈佛H6、传祺GS4月讨论贴数往往可以超过5000贴，并维持在这个水平上。
2016年初某汽车公司即将发布的某款新车在汽车之家论坛上异军突起一度突破10000贴/月，这预示着该款新车很有可能将成为一辆爆款车。汽车研究员在跟踪到这个数据之后，迅速展开针对该款汽车的研究，并发现该汽车公司已经将其技术内化，制造工艺水平脱胎换骨。
该款新车上市之后，月销量快速突破2万辆/月，该汽车公司股价也开启了两年10倍之旅。
浙商基金目前在in-house开发以及兄弟公司通联数据、通联支付的支持下，形成了六大维度的数据体系，用以支持研究员和投资经理的投资决策，也为基于数据的智能投资开发提供了数据燃料。
尽管AI在处理大数据方面有着人脑完全无法比拟的能力，但由AI直接做出的智能判断之中往往隐藏着不可论证的“隐秘的逻辑”，因此实践中我们对于直接采纳AI做出的智能判断仍然慎之又慎，由AI大数据提供线索，经HI（Human Intelligence）基于大数据线索和小数据逻辑推演之后的逻辑判断所形成的AI+HI双重加持的结论是较为稳妥可靠的。
2 AI智能投资的信息处理
如何设计智能模型来复制人类经验？（重点来了！）
传统量化投资的逻辑与AlphaGo Zero的逻辑是相似的，用x表示投资中输入的各种信息，用y表示输出的投资结果，假设函数y=f(x），训练出来的f就是AI机器人。通常的做法是输入x，y，让机器决定f。
我们的想法是f同样应该作为输入，从人类的经验和知识体系中学习。因此我们的智能投资的“棋谱”就是基本面，逻辑先于数据，学习的内容就是人类各种基本面投资策略，将投资逻辑对AI灌输，试图在人所具备的能力上超越人类。类似于Alpha Go，有人类既往经验的输入，基础数据范围相对较小，但搜索范围广，变化更复杂。过往优秀的基金经理和研究员的idea是核心驱动力，AI算法只是实现这些idea的途径手段和进行海量投资实验框架科学性的保证。
以基本面投资作为“棋谱“的另一个好处是x、y之间具有明确的逻辑关系，人类基金经理在理解和使用某一个AI机器人发出的策略信号时非常容易上手，这将大大提高了人类基金经理快速“浅层次”的拓展能力圈的可能，在投资能力圈不完备的时候不至于过于被动。而更重要的是由于基本面的运营轨迹可能发生各种各样的变化，人类基金可以将新的基本面运行方式反馈给AI以实现策略的迭代。
目前我们已经形成了针对有明显周期性运行规律的“基本面-估值模型”，稳定增长类型行业的“分析师预期-估值模型”，具有直接海外对标映射公司的“基本面对标模型”，基于相对估值和交易拥挤度的“pair trade模型” 等多种AI模型。下面以典型的前两种AI机器人进行展示说明。
下图展示了某周期性行业AI机器人的训练实例，让机器人按照历史数据去学习历史涨跌幅背后的基本面与估值组合，以后再碰到类似基本面和估值组合就会发出一个做多或者做空的信号。
左上图绿线表示实际股价走势，左下图的红蓝线分别表征了公司基本面状态和估值状态，右下图表征了多空机器人的相对强弱，右上图表示了AI机器人最终进行的仓位配置和在该股票上实现的净值图。该股票历史上仓位占用时间仅20%，而持有期间都实现了可观的回报，相比在十年内买入持有，具有更高的回报和性价比。
上图略抽象，但更好的展示了该公司全生命周期的基本面与估值组合的全貌。横轴表征基本面（越往右越好），纵轴表征估值（越往上越高），里面的红色区域及红点表示做多机器人做多并赚钱的区域，红色越深表示置信度越高，绿色表示亏钱的区域。
可以清晰的看到，这家公司可以赚钱的区域基本上都集中在图的左下方即双低区域，符合非常典型的周期性行业投资规律：双低（低基本面低估值）买入。而右上角点非常稀疏意味着这家公司历史上很少有基本面又好估值又高的情况。即便是基本面好，强行拔高估值大概率都不会赚钱，都应该进行减仓操作。
人类基金经理虽然也可能懂这个道理，但是他们在投资中所面临的难点在于，定量分析中基本面与估值多低算低？定性分析中一个基本面很烂、股价也一塌糊涂的股票怎么下手买入，而如果买入又该买入几个点呢？这是人脑很难处理的问题，而由于这个AI模型中的机器人设置之初就以夏普比例最优为目标函数，实施风险预算机制，根据不同基本面与估值的组合判断其面临的风险以及所应采取的仓位。
3 稳定增长型案例
我们从右上图看起，这是一家ROE及分析师预期ROE非常稳定公司，ROE的波动幅度很小，而长期投资者当前的获得回报也就是每年的ROE水平以及还有少量投资者未拿到ROE的回报水平。
从左下图看，这家公司当前的估值仅反映了T+1期的盈利增长，尚没有所谓的估值抬升。而右下图显示先验的历史经验看这家公司是值得长期持有的优质公司，历史的平均应持有时间为67%。那么我们可以大概率判断在稳定增长类公司估值纷纷透支到T+2，T+3乃至T+4期合理估值的的时候，这家公司具有很高的性价比。
对于这种看似稳定增长类公司，为什么我们要讨论站在T时点看未来几年的ROE分布情况呢？
对于这类公司我们通常会采用DCF估值或者拍出未来几年的盈利然后给出一个远期的PE水平。研究员给出的盈利预测通常是一个具体数字或者说是一个点估计，而如果整个点估计的可能的波幅较大，而随着时间推移点估计的误差会逐层累积，远期的误差就会被大幅放大，T+n期的业绩其实变成了随机分布，那么在这样的一个实际随机分布的确定性很低的未来盈利上给估值已经没有意义。
回到上图的公司我们发现，该公司在T+1~3期的ROE分布仍然都非常稳定，且具有较为清晰的均值提高的态势，而这时候的估值仅仅反应了T+1期的盈利，其投资价值就不言而喻了。
尽管在均值回归、具有明确规律特征的行业与公司上，我们的AI机器人已经形成有效的投资策略，但投资的世界总是在变化，行业基本面变化甚至商业模式变化，AI机器人如何迭代也是面临的重要问题，依赖于人类智慧的人机交互至关重要。
在机器模型对于人类的投资逻辑设计科学实验进行反复验算，将人类的成功经验与历史运气成分剥离形成投资策略的基础上，人类专家基于模型结果深化对于投资逻辑的认知，并进一步给出新的策略改进建议；机器模型将历史成功经验结合人类专家新的建议吸收衍生出新的策略分支，加入到线上策略进行优胜劣汰的迭代。
以航空股为例，在正常的周期内我们已经形成了完善的基于ASK和RPK供需缺口剪刀差的投资策略，但机器人在历史学习周期中尚未多次碰到过三大枢纽机场同时扩建这种数十年一遇的事件以及疫情这种数百年一遇的事件，我们将这两个变量通过人工干预的方式重新加入AI模型中，即实现了模型了迭代升级。
再如以老产品稳定增长，推出新品的消费类公司为例，新品放量的消费类公司由于可以和老产品部分共用生产资源、营销网络、品牌资产，一旦新品被消费者认可推出成功，公司的ROE水平往往会有一个较大的向上跃迁，率先认知到新品能够放量的投资者往往可以获得丰厚的回报。
尽管AI不能识别到这种机会，但仍可以为该种机会进行定价，在研究员识别到具有此类机会的公司后，用研究员预测的新的ROE中枢替代掉市场分析师预期的ROE中枢输入到AI模型中，AI模型即可对其进行定价，并测算出目标价随不同的新品放量节奏（即不同的ROE上调幅度）的上调幅度。
4 AI+HI：人工智能+人类智慧=现实的选择
从第二象限开始，基本面不好+估值也便宜，这个象限是左侧布局的机会； 紧接着公司运动到第一象限，基本面已经开始改善，但估值仍未反应。这个象限是投资的核心区域； 然后公司进一步运动到第四象限，基本面仍好，但估值已经充分反应甚至高估了。这个象限内的标的正常而言应该减仓或获利了解处理； 然后公司基本面开始走差进入第三象限，周而复始。
由于我们的当前主力上线的AI机器人以夏普比率最优为训练对象，也就是说AI机器人对于第一象限的机会的捕捉最为灵敏。第二象限是赔率高但短期胜率低的位置，依赖于HI深度研究左侧布局；第四象限比较复杂，已经估值高位了，但如果HI能够理解到公司具备超强的竞争力，或者基本面有奇点突变，那么仍然有较好的投资机会，这种情形还是由人类去处理。
因此，在AI+HI的框架之下基金经理和研究员的投资工作的重心也显而易见，研究员和基金经理的核心任务变成了如下三点：
①将可追溯、可复制投资框架交AI模型化，AI提示投资机会HI复核（第一象限广覆盖）； ②进行行业与公司的基础研究，深入理解商业模式和内在价值（第二象限敢于抄底）； ③超越市场普遍认识水平的深度研究，把握奇点突变型机会（第四象限敢于持有）。
AI与HI的分别提示的投资机会如何处理也变得非常清晰：
AI：基于研究员与智能投资部合作开发的基本面量化模型，评估个股相对估值与基本面的匹配程度、市场预期变化、交易拥挤程度等多个维度，分散投资胜率赔率均占优的公司。 HI：深度研究行业的商业模式和长期演进规律、公司竞争优势，基于DCF绝对价值评估公司的合理市值、估值区间，集中投资优质公司。
在组合构建层面，仍然需要对人类智慧与机器智慧取交集。AI机器人提示的投资机会，人类基金经理经过HI研究也认为颇有价值的公司，构成组合的核心仓位、中流砥柱；人类基金经理经过深度研究认为具有投资机会，但AI未提示的机会往往成为了组合中出奇的部分。而AI提示机会而人类基金经理并无认知的部分则成了机会性资产或者卫星仓位。
6 小结
浙商基金致力于成为一家值得信赖、受人尊敬、科技驱动的特色型资产管理公司。纵观历史，生产力的进步往往伴随着生产关系的革新，智能投资的应用必然走向人机互动（AI+HI）。智能学习的过程是灌策略而非灌数据；人机互动，分工合作，依赖于制度的保障。智能学习工具的不断进化，将助力智能投资方法、策略的迭代。优秀的科技人才、先进的组织架构和开放的企业文化，将成为资管机构最重要的核心竞争力。浙商基金目前还是一家年轻的创业型公司，我们希望能够用在智能投资领域的探索与实践，为推动资产管理行业的发展贡献一份力量。
风险提示：
证券投资基金是一种长期投资工具，其主要功能是分散投资，降低投资单一证券所带来的个别风险。基金不同于银行储蓄和债券等能够提供固定收益预期的金融工具，投资人购买基金，既可能按其持有份额分享基金投资所产生的收益，也可能承担基金投资所带来的损失。本文内容不构成任何投资建议，基金管理人管理的其他基金的业绩不构成对基金业绩表现的保证。基金有风险，投资需谨慎。人工智能具有固有投资局限性。