“AI+量化”双轮驱动 广发量化多因子近一年涨幅超50%lg...

近年来，在市场分化较大、获取超额收益难度增加的背景下，量化基金凭借着多因子、多策略的选股模型，以及对机器学习、神经网络等AI技术的运用，展现出稳定跑赢业绩比较基准的优势。据Wind统计显示，截至2月21日，全市场共有194只名字中含“量化”的基金（剔除成立不足一年的产品），近一年平均回报达20.18%，平均跑赢业绩基准3.97%。其中，广发量化多因子以51.22%的回报排名前列，相较业绩基准取得了23.03%的超额收益。

广发量化多因子以国证2000指数为业绩基准，聚焦中小盘股票投资。基金经理李育鑫是统计学博士，具备扎实的数理背景与数据分析能力，熟悉运用人工智能机器学习算法。在管理广发量化多因子时，李育鑫在策略中引入AI选股模型，构建了“传统线性模型+机器学习模型”的双轮驱动框架。“AI的核心价值在于其强大的信息整合与模式识别能力，尤其在价量因子挖掘与因子复合环节，AI模型能有效补充传统方法的不足。”李育鑫表示。

凭借着AI技术与传统量化模型的深度融合，广发量化多因子在中小盘增强赛道中展现出比较优势，近期积累了良好的业绩。Wind统计显示，截至2月21日，广发量化多因子自李育鑫2023年10月任职以来的回报为31.12%，近一年累计涨幅达51.22%；另据银河证券数据，其近一年回报在479只灵活配置型基金(基准股票比例60%-100%)中排名前10%。

“在量化投资中，数据源的多元化、低相关因子的充分储备、模型的多样性都非常重要，能够提升选股模型的预测准确度，更好地应对不同的市场环境。”李育鑫介绍，以广发量化多因子为例，其在过去一年的超额收益主要源于两个方面：一方面，拓展数据来源与研究路径，多元而广泛的数据源覆盖，为挖掘出更多低相关、多源化的阿尔法因子提供了充沛的“弹药”；另一方面，充分运用机器学习技术，可以拓展分析框架的广度和深度，有助于挖掘一些非线性的因子，并且能提供更高效的整合策略，从而获得额外的超额收益。

面对AI技术的迭代浪潮，李育鑫表示，相较于传统的线性模型，深度学习模型在复杂场景中具备更强的学习能力。例如，在近期“火出圈”的DeepSeek中，深度学习模型就扮演着非常核心的作用。对应到金融市场，尤其是对于一些中高频的定价规律，深度学习模型还有很大的发挥空间。展望后市，李育鑫分析，短期需留意海外通胀超预期的潜在压力，中长期则关注技术赋能下改善企业盈利预期逐步强化，目前看有利于小市值与成长风格板块，预期量化策略会受益于技术扩散带来的“复利效应”。