量化投资需要使用大量数据和复杂算法来寻找市场中的投资机会，策略的成功与否主要依赖于数据的质量和模型的效率，基金经理需要具备不断地创新能力，积极寻求新的数据源、探索新的算法技术来提升策略效果。在这个过程中，基金经理们往往会根据自身的优势差异进行不同的选择。随着人工智能技术的不断发展，不论是在因子挖掘改进数据分析方面，还是在模型构建方面，均带来了新的提升机会，机器学习也正在被越来越多的基金经理加以采用。
　　近年来投资机会分散化的A股市场为量化策略提供了适宜的土壤，公募指增及量化基金收益表现开始超额主动管理型基金，管理规模也随之快速扩容。背后既有市场特征的原因，更是公募量化团队整体投研实力不断提升的结果。通过在原本擅长的基本面分析领域不断深耕、积极尝试并深度研究人工智能新技术、优秀人才的持续涌入，公募量化策略正在经历不断强化的升级迭代过程。由于公募基金交易成本、交易限制、投资理念以及各自比较优势的不同，整体策略体系也呈现更加明显的差异化特征，这也为投资者提供了获取多样化阿尔法的可能。
　　2023年以来，我们陆续推出了两篇量化基金经理精选专题报告，先后对华商基金艾定飞、华泰柏瑞基金笪篁、华商基金邓默、国泰君安资管胡崇海、嘉实基金刘斌、宏利基金刘洋、国金基金马芳、万家基金乔亮、鹏华基金苏俊杰、建信基金叶乐天、国投瑞银基金殷瑞飞、银华基金张凯等12位指增及量化基金经理策略框架体系的特色进行了细致深入的分析（按照姓名拼音首字母顺序，下同）。本篇专题将继续延续之前对于量化基金经理的多角度刻画亮点，聚焦胡迪（摩根基金）、乔亮（万家基金）、提云涛（中信保诚基金）、吴中昊（国泰基金）、许一尊（汇添富基金）等5名在量化投资领域中各有特色的基金经理，他们在因子挖掘和模型构建方面各有差异，在人工智能的使用上也有各自的考量。我们将综合这5名基金经理的量化体系特点、风险控制制度、投研团队现状以及产品绩效表现等多个维度进行深度研究，并结合历史持仓明细数据进行全面分析和特征刻画，以供投资者参考。
　　胡迪：以多因子模型为核心，叠加事件驱动卫星策略，运用机器学习寻找统计规律、挖掘文本信息。核心基于全市场、聚类分域、剩余残差三个层次逐层回归的方式，构建逻辑清晰的多因子模型。在此基础上，叠加基于文本信息的事件驱动策略，进一步提高组合赔率。整体策略的独特性带来了差异化的超额回报。
　　乔亮：采用机器学习模型借助先进的算法技术实现因子的自动化配权。因子库覆盖全面且因子之间的相关性较低。2023年主要围绕高频量价低频化因子进行了补充和迭代，同时，在文本信息处理方面增加了ChatGPT等概念工具的应用。同时，十分注重组合风险控制，严格控制偏离，挖掘纯粹的个股阿尔法。
　　提云涛：采用以基本面为核心的策略框架体系，寻找金融逻辑和统计规律的交集。从长期角度出发，更加侧重于对公司运营、内生盈利、成长空间等特征的刻画。在量化多因子模型打分的基础上，通过主观从公司治理、所处产业/行业特征等角度，提供更长期视角下对公司经营情况的判断，量化结合主观判断构建股票组合。
　　吴中昊：主张从收益来源出发挖掘因子，注重因子的逻辑性和可解释性。相比于传统的基本面因子，更加注重公司关系动量的研究，如供应链关系、竞争关系等，通过构建多种类别的公司关系网络，形成因子的差异化特色。今年以来在继续使用线性模型的同时，开始尝试使用一些简单的非线性模型，追求模型循序渐进的迭代升级。
　　许一尊：因子库均衡且全面，在使用算法挖掘市场面因子的同时，对基本面因子以及市场面和基本面交互特性，也通过机器学习算法进行信息提取。因子复合方面，通过机器学习进行因子动态加权，追求因子配置的均衡和规则化调整。同时，通过Barra模型、统计风险模型等多套不同类型的风险模型进行风险控制，对于敞口暴露限制严格。
　　风险提示
　　地缘政治风险、海外紧缩缓和进程不及预期、国内政策及经济复苏不及预期等带来的股票市场大幅波动风险。