在管規模超萬億元！解密貝萊德旗艦投資策略

系統化投資正演變成AI時代下主動投資的主流。華爾街時下最時興的話題，“怎麼用機器學習/大模型賦能主動投資？”就是之一。

作為管理規模達10.47萬億美元（今年3月末數據）的全球資管巨擘，貝萊德早已給出成熟答案——作為其旗艦策略，系統化主動權益投資（Systematic Active Equity，下稱“SAE”）策略運用機器學習，自然語言處理等大數據分析方法，來捕捉對投資有指導價值的投資信號，已有超35年的研究經驗和投資實踐。截至今年一季度末，SAE策略全球在管資產規模超過1500億美元（約合人民幣10900億元）。

在外資巨頭紛紛增配的中國市場裡，SAE策略也已在相關產品中有瞭不俗表現。

從紛繁復雜的數據中捕捉投資信號

簡單歸納SAE策略的核心運作邏輯：基於大數據分析，更快、更廣、更精確地過濾並提取有價值的投資信號，並采取嚴格的風險管理，力爭為客戶創造可持續的超額收益，可以說是“資管科技”理念落地到實際投研的標志性策略。

SAE策略的大數據和科技創新屬性，還體現在人員構成和體制機制上——它是少有的擁有約100名投研專傢、大數據科學傢和科技人員的策略，並自主研發和迭代投資信號，以及大數據分析模型、投資組合最優化引擎等投資流程中所運用的工具。

貝萊德集團董事總經理、SAE團隊資深投資經理趙睿從投資目標和理念、風險管理、交易成本管理等方面，介紹瞭SAE策略的投資方法論：

首先是投資目標，SAE策略追求長期的、持續的超額收益。投資理念上，策略模型通過多維度的數據分析，對個股進行基本面、投資情緒等全方位的分析和預測，來尋找最具有超額潛力的投資標的。

其次是風險管理，SAE策略始終全倉投資、不集中頭寸，踐行分散性投資，在個股、行業、風格等方面都有嚴格的風險管理。

此外，交易成本管理也是策略實施的重要方面，SAE策略會在投資組合最優化的時候考慮交易成本，在預期超額收益、風險貢獻相類似的標的中選擇交易成本更有性價比的。

支撐這個投資方法論落地的是數據。

趙睿告訴記者：“我們組（SAE團隊）從2008年開始做大數據和機器學習，數據科學團隊持續不斷地研發和創新，形成瞭一個嚴謹、高效的數據分析流程，使得數據間傳輸和投研人員的互動是可持續的不斷優化的過程。例如我們的自然語言分析引擎，目前已經迭代到第六代瞭，能很有效地分析研報、業績發佈會、新聞、論壇評論等信息，來幫助我們瞭解各類投資者的情緒，並形成有價值的投資信號”。

模型構建上，SAE策略由數百個投資信號構成：與傳統的因子投資不同，信號是針對當下市場現象單獨開發且會不斷迭代的；除此之外，信號的主要數據來源是非線性的“另類數據”，也是該策略差異化超額收益的主要來源。

趙睿進一步解釋瞭何為“另類數據”：“比如從招聘廣告中看相關公司是否還在招人、招什麼樣的崗位、在招崗位需要什麼樣的技能等。這些信息能幫助我們瞭解公司經營狀況的好壞，是不是處於擴張階段，公司未來的發展方向等”。

趙睿認為中國市場的數字化程度是遠超海外市場的，這與中國市場交易便捷、互聯網商業模式眾多等因素有關。基於中國市場海量的數據，SAE策略模型可以實時瞭解產業發展趨勢，經濟活動的地域特征，企業的經營情況，消費者的偏好等上千個因子，用以預測股價的未來走勢並構建新的投資組合。

貝萊德SAE團隊管理的投資中國的海外基金產品在2012年正式發行，從2013年開始加入大數據和機器學習投資信號。2023起，貝萊德旗下合資理財公司，即貝萊德建信理財發行瞭運用SAE策略的理財產品，實現瞭該策略的本地化投資運作。

據記者瞭解，貝萊德建信理財公司發行的權益類理財產品“貝盈”系列，采用的就是貝萊德SAE策略理念與本土投研運作的有機結合。

機器學習類信號在策略模型中占比達30%

系統化投資正在變成AI時代下主動投資的主流。華爾街時下最時興的話題，“怎麼用機器學習賦能主動投資？”就是之一。

“其實貝萊德也在我們自主研發的大語言模型（Large Language Model， 以下簡稱‘LLM’）中運用瞭類似於ChatGPT的Transformer技術，最大程度地增強自然語言處理技術的精確性，賦能系統化主動投資。”趙睿告訴記者。

相較於ChatGPT更註重人機交互的應用，貝萊德所研發的LLM是專門用於與投資密切相關的任務，包括預測上市公司財報會議後的股價表現等。因此，貝萊德的LLM模型是依托更具針對性的數據庫進行訓練，對投資研究中的特定任務能表現出更高的準確性。

“機器學習相關的投資信號在我們整個策略模型裡的占比已經達到30%，2023年還隻占15%。因為技術的進步和準確性的提升，它們的權重也在逐步增加。我們第一個運用系統化主動股票策略投資於中國市場的海外基金，早在2012年11月份就發行瞭。”趙睿說。

依托機器學習，系統化主動股票投資策略突出“主動”二字，是主動挖掘股票以力爭實現超額收益，其選股邏輯更近似基本面投資，對個股進行綜合分析，而這也是與傳統量化投資不同的地方。策略容量上，系統化主動股票投資策略調倉頻率並不高，且高度分散化的持倉使得其對個股流動性要求低於傳統的量化投資，因此策略容量限制較小。

據記者瞭解，系統化主動股票投資策略主要挖掘並投資於三大類股票：

一是基本面較優與估值吸引力較高的股票，要求公司盈利穩定、持續增長，並且有超預期上升的空間，同時股價估值要具有性價比。

二是市場情緒積極的股票，模型會跟蹤和分析市場參與者（如賣方分析師）觀點、其他投資者的持倉和對未來資金流向的預期、短期流動性所帶來的交易機會、股票與其他資產之間的相關性。

三是與宏觀主題相契合的行業和個股，模型會著重分析國內外經濟環境和政策指引。例如，受外部需求回升帶動的出口行業，受到資本市場高質量發展政策鼓舞的相關標的等。

責編：楊喻程

校對：王蔚