Alpha从何来？“小而美”量化私募从多因子到端到端的“跨越”

导读 近期量化出现超额回撤的原因

2025年1月份到7月底市场小盘风格显著占优，市面上大部分的量化策略获取超额收益较为顺利。但进入8月份之后，市场的风格发生了较为明显的变化，指数层面呈现出大中盘个股涨幅强于小盘的特征。

近期量化出现超额回撤的原因主要来自于：市场风格发生了明显切换，资金从中小盘流向基本面更坚实的中大盘股，量化策略需要一定周期适应新的市场环境；并且近期指数上涨主要由权重股带动，大部分个股涨幅落后于指数，量化策略由于持仓分散，在一定程度上影响了收益表现。

每一次的市场风格切换都是非常良好地检验量化管理人超额稳定性和风控的机会。在近期市场风格剧烈切换、超额收益获取难度陡增的背景下，一家专注中高频股票量化的机构—— 北京无隅资产管理有限公司，凭借其稳健的业绩表现和前沿的策略迭代进入了我们的视野。

无隅的超额经受住了市场的考验，超额没有出现回撤，反而在市场风格反转的情况下，连续三周取得正超额，超额屡创新高。从2017年成立至今，无隅资产已经历经多轮市场考验，实现了从传统多因子到端到端策略的跨越。本期走进管理人将深入解读这家量化机构的核心竞争力。

01. 公司背景与核心团队

无隅资产的名字源自《道德经》“大方无隅，大器晚成”，这不仅是其品牌精神的写照，更贯穿于公司多年的量化实践中。公司成立于 2017 年 10 月，始终聚焦中高频股票量化赛道，稳步推进策略迭代，从多因子模型（2018）到机器学习（2020），再到2025年成功上线端到端深度学习策略。当前管理规模约5亿元，其中3亿余元分布于指增、1 亿余元在中性，剩余为多策略及自营资金；处于 “规模红利期”，策略容量尚有宽裕，投资和风险与收益性价比高。

公司每年在硬件、软件及网络建设上大量投入，拥有自研交易系统与算法，同时布局本地及异地托管机房，为高频交易提供低延时保障。

总经理兼投资总监杨志诚，杨博士毕业于美国伊利诺伊大学香槟分校电子工程学专业，拥有近20 年量化投资经验，曾在总部位于纽约华尔街的美国高盛投资银行股票自营部担任量化策略师；2009年选择回国发展，接连在长信基金、中再资产、在华夏基金从事投资研究工作。2017年，杨博士整合其过去海内外大资金管理经验和对量化技术的前沿理解，在北京创立了无隅资产。

目前无隅资产的投研团队80% 以上成员拥有博士或硕士学历，成员涵盖华尔街对冲基金资深PM、国内头部公募基金量化投资总监、中国知名学术机构物理学博士等。目前投研团队6人，未来计划扩至15人左右。

02. 策略迭代

传统王牌：机器学习多因子模型

目前，无隅资产仍保留机器学习多因子策略，其核心逻辑可概括为“数据驱动 + 严格风控”：

1.数据处理：覆盖量价数据（含Level-2行情、量价背离、资金流等）、基本面数据（运营风险、分析师预期等）及另类数据（搜索记录、社交网络舆情等），经清洗后进入因子挖掘环节。

2.因子储备：5年累计挖掘出来的有效因子超百万个，实际使用4000余个，其中75%为量价因子、25%为基本面/另类因子。

3.组合构建：持仓1200～1600只股票，个股仓位不超过 2%，换手率在100-150倍左右。

4.风险控制：自研Barra风控系统，严控超额回撤与风格暴露。行业偏离度控制在±5%，Barra风格因子偏离±0.3～0.4个标准差。

创新突破：端到端策略，重构量化选股流程

2025年2月，无隅资产正式上线研发两年多的端到端策略，成为其应对 “机器学习赛道拥挤”的关键布局。相较于传统多因子模型，端到端策略实现了 “从数据到选股”的无缝衔接：

1. 什么是端到端策略？

无需人工挖掘因子、无需因子组合优化，直接输入海量数据（市场数据、财务数据、另类数据等），通过深度学习神经网络（含Transformer、LSTM 等子模型）训练，叠加风控与归因模型后，输出最终选股结果。

这一模式已在智能驾驶、物流优化、城市治理等领域广泛应用，无隅资产目前已经成熟地将端到端策略运用到了量化投资中。

2. 核心优势：减少损耗，提升效率

信息损失少：省去中间因子加工环节，原始数据价值最大化；

反应更迅速：模型对市场变化的适应性更强，尤其适合中高频交易；

算力依赖低：相比传统机器学习，降低硬件成本；

超额能力强：回测显示，端到端策略较机器学习模型年化超额提升在10%，目前实盘上线自2025年2月17日以来截至2025年8月29日，中证500指数增强产品线已经取得15.76%的超额。（过往业绩不代表未来表现）

3. 破解行业痛点：过拟合与“黑箱” 难题

(1)端到端截面模型预测的是T+1-T+10左右的超额收益。持仓 500-800 只股票，个股仓位已经保持不超过2%，持仓的周期大概在3～4个交易日，双边换手率正常市场环境下保持在100-150倍。

(2)采用过去5年和近1年多周期、多样性数据训练，每周至每半个月更新数据组合，从而提升模型的泛化能力；

(3)自研Barra风险模型嵌入数据清洗、模型训练和组合优化的全过程。虽为深度学习模型，但以“超额收益”为优化目标，同时保留了归因能力；以中证500指数增强产品为例，实盘成分股占比约 50%，超额收益主要来源于选股本身，而非风格暴露。

未来布局：个股择时策略（T+N）

近几年对冲成本升高和市场风格切换的事件频发，为寻找到一站式解决的优质方案；无隅资产投入团队研发个股择时策略，目前上线在即；本策略的核心定位是“绝对收益属性 + 性价比高于市场中性策略”

1.策略逻辑：利用量化模型从全市场中筛选出100～200只股票作为股票池，根据仓位信号择时模型动态调整仓位，交易频率为T+几小时至T+1，持仓周期多少时间不会超过T+2个交易日。

2.互补价值：可与端到端指增策略叠加，截面模型和时序模型是非常好的互补。在行情强势时增强超额，在极端行情时控制回撤。

3.容量限制：约30亿左右。

Q&A

Q1： 近期市场风格切换明显，尤其是微盘股走弱、中盘走强，很多量化管理人出现超额回撤，但无隅资产表现稳健。请杨总复盘一下近期策略表现和归因。

A1：我们的策略在行业和风格控制上非常严格。行业权重控制在基准的±5%以内，风格因子控制在0.3～0.4个标准差。这使得我们在风格切换时回撤较小。此外，我们追求的是纯Alpha收益，来源多样，包括高频量价、基本面、事件数据等，不依赖风格暴露。

Q2： 端到端策略与多因子策略有何不同？是否会完全替代多因子？

A2:

a.端到端策略直接输入原始数据，通过神经网络输出选股结果，不依赖人工因子挖掘，减少了中间环节，效率更高。

b.多因子策略仍在使用，其在大票上表现更稳。

c.目前500、1000指增已切换至端到端策略，超额提升显著。

d.两者在组合优化和风控环节是共用的，只是端到端策略超额收益预测的准确性更高一些

Q3： 目前指增产品的成分股占比和换手率如何？

A3：中证500指数增强产品中：中证500指数的成分股权重约50%；1000指数的成分股占比约为20%，2000指数成分股占比约为5%～10%。换手率平均约100倍/年，近期市场成交量放大，换手率也有所提升。

Q4： 端到端策略和个股择时策略的容量如何？未来是否会全面切换？

A4：端到端策略容量目前充足，预计可达30亿以上。个股择时策略（T plus） 容量也可达到30亿左右。单独成立一个绝对收益产品线或者叠加到端到端的指数增强产品线中。

结语

目前公司覆盖指增、中性、量化选股、个股择时等多策略，可以匹配低波、中波、高波不同风险承受能力和收益预期的投资者们的需求；同时95%以上资金来自机构，有行业背书；尚处于规模红利期。

本文基于无隅资产公开路演整理，不构成投资建议。市场有风险，决策需谨慎。