胡骏：从“高股息策略”到“量化红利策略”

任何一种策略都不会是完美的。如果我们只考虑股息率，很容易陷入两种“红利陷阱”：一是“估值陷阱”，即虽然股息率较高，但是由于行业和公司特性，估值长期受到压制；二是“周期陷阱”，指强周期公司盈利和分红水平容易受到相关商品价格的影响，短期的超高分红难以长期持续。

为了更好地规避高股息策略中可能隐藏的“红利陷阱”，发挥好高股息策略的优势，笔者在过去8年的研究实践上，尝试将量化投资的手段运用到高股息策略中，以科学的计算来提升高股息策略的准确性、稳定性和投资效率。

随着近些年算力瓶颈的逐步突破、人工智能现象级应用的诞生，AI也拓展了量化投资的深度与广度。

首先，传统的线性模型需要我们构建的因子单调性较好，而树模型和神经网络的使用，能够让我们引入一些更加复杂的非线性特征。此外，线性模型和树模型往往使用的是股票的截面数据，而神经网络将股票的时序信息也引入到了选股模型中。

其次，近些年来，分域建模的思路愈发被市场和投资者所接受。以树模型为例，加了风格、行业等特征之后的树模型，便是一个较为简单的分域建模思路的应用，进一步，我们可以对不同的股票池进行分域建模，在不同的股票池中使用不同的特征、训练不同的模型。

最后，多策略的方式也提高了量化投资的稳定性，随着市场对有效因子的充分挖掘，有效的选股单因子的开发周期越来越长，线性模型的相关性也越来越高，所以线性模型和非线性模型的多策略集成，能够较为显著地提升量化模型的收益和稳定性。

量化红利投资也是分域建模的应用场景，那些在全市场有效的选股因子，不一定在红利类股票中也是最优的，而我们在实践当中，往往会选择在红利类股票中有效的选股指标构建模型。在非线性模型中，我们也会增加高分红股票的训练权重，提升模型在高分红股票中的选股能力；同时，虽然我们加入了更加有效的技术手段，但是我们也没有完全放弃传统的线性模型。举例来讲，我们发现低波动的股票和高分红的股票可以实现“1+1>2”的效果，低波动代表着稳定，但是衡量低波的时候，也不仅仅只用股票的波动率，我们也加入了盈利的稳定性、分红的稳定等条件，进一步提升了模型的稳定性和普适性。

（节选自《广发言 | 胡骏：AI助力量化 高股息策略焕发新生机》）