在明朗的眼中，量化分析远非单纯的数字挖掘，它需要将基本面研究的深入性与量化策略的广泛性有机融合。
在这一理念指导下，明朗运用跨学科的创造性思维对基本面量化投资领域进行了深入研究。他通过将行业特性融入量化投资策略，构建了一套将各行业内在规律转化为可量化、可检验的规则体系。“这要求我们对行业有深入的认识，并且能够将这种认知转化为有效的模型。这种跨学科的协作对于实现超额收益至关重要。”明朗这样阐述道。
2008年，美国房地产泡沫破裂引发的次贷危机对全球经济造成了严重打击。当时，华尔街的金融模型预测，抵押贷款支持证券（MBS）的风险关联性较低，因此将其归类为“安全”资产。然而，最终的结果表明，这一判断在危机中完全失准。基金经理明朗指出，原因在于该模型对未来的预测是基于历史数据的假设。往昔岁月，明朗曾在房地美这家深陷困境的企业中担任建模职务，而“历史的发展规律并不预示着未来的走向”这一道理，成为了他铭记于心的首个历史经验教训。
在他2017年投身公募行业之际，这一观点得到了进一步的证实。他观察到，即便是传统的量化策略，也遭遇了“历史规律不再适用”的难题。因此，他着手研究更为前瞻性的因子构建途径。他强调，关键在于要深入探寻因子背后的内在联系，而不仅仅是停留在统计关联性的表层。在明朗的眼中，量化分析远非单纯的数字搜集，它更涉及将基本面分析的深度与量化策略的广度相融合。
基于这一理念，明朗以交叉学科的创新思维对基本面量化投资进行探索。通过在量化策略中引入行业模型，他系统性地将各行业的底层逻辑转化为可量化、可验证的规则体系。“这需要我们对行业有深刻理解，同时具备将认知转化为模型的能力，这种交叉学科的协同更有助于获取超额收益。”明朗解释道。
提升因子前瞻性
通常而言，传统量化策略的核心在于通过统计学手段发掘投资因子，以此来挑选股票。以公募基金中广泛采用的量化指数增强策略为例，它与传统主动管理产品在行业配置上的侧重点有所不同，量化指增策略更倾向于采用“行业中性”的架构，力求与基准指数的行业权重相匹配。换言之，该策略并非依赖行业布局来追求利润，而是致力于在特定行业内筛选出业绩更佳、风险更小的单一股票，力求实现超额回报。为了实现对整个行业的全面覆盖，量化策略主要依赖各种模型和指标。
然而，问题随之而生。“观察历史即是统计的本质。”明朗直言，量化策略的短板在于对历史数据的极大依赖。若仅以统计模型显示的历史表现来预测未来，不仅可能产生偏差，甚至可能隐藏潜在的风险。比如，依据PE估值因子的均值回归特性，在历史数据中表现突出的回测结果，一旦市场状况发生转变，便可能不再适用。
要克服历史规律不再适用导致因子具备预见性的难题，这构成了量化投资领域的一大挑战。在明朗看来，无论是量化模型的研究还是优化过程，其核心都聚焦于这一议题：如何使历史数据更加准确地预判未来？
明朗表示，若要寻求答案，就必须深入挖掘其背后的因果关系。他指出，统计手段所展现的是因素与股价变动间的关联性，然而这并不等同于其内在的推动力量。他举了一个典型的例子，指出我们可能会看到树木生长与经济增长呈现正相关，但这种统计上的联系并未揭示直接的因果关系。实际上，推动经济增长的真正动力可能是科技进步，它提高了社会生产效率。
明朗指出，关键在于辨别并锁定那些确实由经济原理所支撑的因果关系，这样才能应对“历史并不预示未来”的挑战，并提高量化策略的模型稳定性和预测能力。
构建行业模型
明朗提出，要想发掘更具逻辑性的关键因素，需深入行业研究，通过细致的行业洞察力，搜集更多结构性与非结构性的信息，构建起“决策依据”，从而辨别出真正作用于公司股价波动的核心变量，并根据这些变量对模型中的因子构成进行优化调整。
秉承这一理念，明朗在其负责的指数增强型产品中采纳了“行业模拟”策略。以易方达沪深300量化增强基金为例，该基金所追踪的沪深300指数的成分股中，专业机构投资者占据了主导位置，其定价效率相对较高。若仅依赖历史数据的传统多因子模型进行量化增强，其效果可能并不显著；然而，若将传统的量化统计方法与主动进行的行业基本面研究相结合，则更有可能发现具有效力的新因子。
具体来看，明朗对沪深300的样本股票进行了细致的划分，将其归入八个不同的板块。在每个板块之中，又分别构建了独立的模型。此外，针对各个行业，他们还专门设计了相应的因子和选股策略。周期性行业包括煤炭、钢铁、有色金属等多个领域，这些行业在估值波动方面具有共同的特点，因此可以运用同一种估值模型来进行资产配置；相对而言，医药、消费品、金融等行业，由于它们的基本面和投资交易逻辑存在明显不同，因此必须建立一套独立的股票选择体系。
在各个板块的划分上，我们始终坚持指数增强策略的基本准则，坚决不进行超出或低于正常配比的主动操作。然而，在板块内部，比如周期性板块，我们会依据行业特性，在板块内部有针对性地实施超配或低配策略，旨在通过这种结构性调整，实现收益的最大化。明朗如是说道。
明朗进一步阐释，该行业模型具有三个显著特点：一是深入挖掘特质因子，二是低相关性，三是迭代迅速。具体来说，模型深入细分行业，对基本面进行细致挖掘。银行业曾一度将低市净率（PB）视为金科玉律，然而随着我国经济增速的调整，银行业原先依赖的高增长带动下的规模扩张策略，正逐渐被以风险控制为要务的稳健经营理念所取代。在此背景下，PB因子的作用力有所下降，而诸如“不良贷款率”等风险控制指标，则更能真实地揭示银行的潜在风险和价值。
另一方面，通过板块的划分以及因子的差异化建模，不同板块间的直接关联性得到减弱，从而有助于提升行业模型的整体稳定性。同时，模型的更新也变得更加敏捷，能够迅速捕捉到行业基本面和投资逻辑的变动，并对此作出反应，以适应行业周期和市场结构的调整。
融入交叉学科思维
在清晰的投资理念体系里，“积极探究的推理分析”与“量化分析方法的规范准则”能够互相促进，这一特点充分展现了其融合多学科思维的特色。
查理·芒格这位投资界的泰斗，对多学科思维模型推崇备至。他融合了统计学、物理学、心理学等领域的根本原理，对投资理念进行交叉验证，从而构筑了一套全新的投资框架。在明朗的眼中，将主动的基本面分析与量化投资技术融合，形成基本面量化，同样是一门跨学科的学问。
明朗坚信，极致的主动研究旨在深入理解企业，专注于筛选那些具有长期卓越表现的公司；与此同时，极致的量化交易专注于捕捉个股在分钟尺度上的价格变动机会。基本面量化策略则是将基本面分析的深度逻辑与量化交易的系统性和广泛覆盖相结合，从而在长期价值发现、中期盈利趋势、短期价格波动以及事件驱动等多个层面发现投资良机。
易方达高股息量化选股基金，作为另一只被明朗采纳交叉学科思维的基金，属于一种采用红利策略的股票型产品。明朗指出，红利类公司的业务往往较为成熟和稳定，市场对其定价相对容易，且波动幅度较小。因此，基于统计的量价因子在追求超额收益方面存在一定难度。
明朗阐释称，要探寻解决方案，需从两个层面着手：首先，依据红利资产业务稳健的根基特性，打造契合红利原理的基本面分析要素；其次，基于量化策略的均值回归交易属性，并考虑到红利资产波动性较低的特点，来制定相应的交易方案。基本面分析与量化策略的相互验证，有助于为红利投资资产打造更为精确的个性化模型；借助两者的合力，能够进一步拓宽获取超额回报的渠道。
（本栏目由易方达基金特别支持）
