系统化投资正演变成AI时代下主动投资的主流。华尔街时下最时兴的话题，“怎么用机器学习/大模型赋能主动投资？”就是之一。

　　作为管理规模达10.47万亿美元（今年3月末数据）的全球资管巨擘，贝莱德早已给出成熟答案——作为其旗舰策略，系统化主动权益投资（Systematic Active Equity，下称“SAE”）策略运用机器学习，自然语言处理等大数据分析方法，来捕捉对投资有指导价值的投资信号，已有超35年的研究经验和投资实践。截至今年一季度末，SAE策略全球在管资产规模超过1500亿美元（约合人民币10900亿元）。
　　在外资巨头纷纷增配的中国市场里，SAE策略也已在相关产品中有了不俗表现。
　　从纷繁复杂的数据中捕捉投资信号
　　简单归纳SAE策略的核心运作逻辑：基于大数据分析，更快、更广、更精确地过滤并提取有价值的投资信号，并采取严格的风险管理，力争为客户创造可持续的超额收益，可以说是“资管科技”理念落地到实际投研的标志性策略。
　　SAE策略的大数据和科技创新属性，还体现在人员构成和体制机制上——它是少有的拥有约100名投研专家、大数据科学家和科技人员的策略，并自主研发和迭代投资信号，以及大数据分析模型、投资组合最优化引擎等投资流程中所运用的工具。
　　贝莱德集团董事总经理、SAE团队资深投资经理赵睿从投资目标和理念、风险管理、交易成本管理等方面，介绍了SAE策略的投资方法论：
　　首先是投资目标，SAE策略追求长期的、持续的超额收益。投资理念上，策略模型通过多维度的数据分析，对个股进行基本面、投资情绪等全方位的分析和预测，来寻找最具有超额潜力的投资标的。
　　其次是风险管理，SAE策略始终全仓投资、不集中头寸，践行分散性投资，在个股、行业、风格等方面都有严格的风险管理。
　　此外，交易成本管理也是策略实施的重要方面，SAE策略会在投资组合最优化的时候考虑交易成本，在预期超额收益、风险贡献相类似的标的中选择交易成本更有性价比的。
　　支撑这个投资方法论落地的是数据。
　　赵睿告诉记者：“我们组（SAE团队）从2008年开始做大数据和机器学习，数据科学团队持续不断地研发和创新，形成了一个严谨、高效的数据分析流程，使得数据间传输和投研人员的互动是可持续的不断优化的过程。例如我们的自然语言分析引擎，目前已经迭代到第六代了，能很有效地分析研报、业绩发布会、新闻、论坛评论等信息，来帮助我们了解各类投资者的情绪，并形成有价值的投资信号”。
　　模型构建上，SAE策略由数百个投资信号构成：与传统的因子投资不同，信号是针对当下市场现象单独开发且会不断迭代的；除此之外，信号的主要数据来源是非线性的“另类数据”，也是该策略差异化超额收益的主要来源。
　　赵睿进一步解释了何为“另类数据”：“比如从招聘广告中看相关公司是否还在招人、招什么样的岗位、在招岗位需要什么样的技能等。这些信息能帮助我们了解公司经营状况的好坏，是不是处于扩张阶段，公司未来的发展方向等”。
　　赵睿认为中国市场的数字化程度是远超海外市场的，这与中国市场交易便捷、互联网商业模式众多等因素有关。基于中国市场海量的数据，SAE策略模型可以实时了解产业发展趋势，经济活动的地域特征，企业的经营情况，消费者的偏好等上千个因子，用以预测股价的未来走势并构建新的投资组合。
　　贝莱德SAE团队管理的投资中国的海外基金产品在2012年正式发行，从2013年开始加入大数据和机器学习投资信号。2021起，贝莱德旗下合资理财公司，即贝莱德建信理财发行了运用SAE策略的理财产品，实现了该策略的本地化投资运作。
　　据记者了解，贝莱德建信理财公司发行的权益类理财产品“贝盈”系列，采用的就是贝莱德SAE策略理念与本土投研运作的有机结合。
　　机器学习类信号在策略模型中占比达30%
　　系统化投资正在变成AI时代下主动投资的主流。华尔街时下最时兴的话题，“怎么用机器学习赋能主动投资？”就是之一。
　　“其实贝莱德也在我们自主研发的大语言模型（Large Language Model， 以下简称‘LLM’）中运用了类似于ChatGPT的Transformer技术， 最大程度地增强自然语言处理技术的精确性，赋能系统化主动投资。”赵睿告诉记者。
　　相较于ChatGPT更注重人机交互的应用，贝莱德所研发的LLM是专门用于与投资密切相关的任务，包括预测上市公司财报会议后的股价表现等。因此，贝莱德的LLM模型是依托更具针对性的数据库进行训练，对投资研究中的特定任务能表现出更高的准确性。
　　“机器学习相关的投资信号在我们整个策略模型里的占比已经达到30%，2019年还只占15%。因为技术的进步和准确性的提升，它们的权重也在逐步增加。我们第一个运用系统化主动股票策略投资于中国市场的海外基金，早在2012年11月份就发行了。”赵睿说。
　　依托机器学习，系统化主动股票投资策略突出“主动”二字，是主动挖掘股票以力争实现超额收益，其选股逻辑更近似基本面投资，对个股进行综合分析，而这也是与传统量化投资不同的地方。策略容量上，系统化主动股票投资策略调仓频率并不高，且高度分散化的持仓使得其对个股流动性要求低于传统的量化投资，因此策略容量限制较小。
　　据记者了解，系统化主动股票投资策略主要挖掘并投资于三大类股票：
　　一是基本面较优与估值吸引力较高的股票，要求公司盈利稳定、持续增长，并且有超预期上升的空间，同时股价估值要具有性价比。
　　二是市场情绪积极的股票，模型会跟踪和分析市场参与者（如卖方分析师）观点、其他投资者的持仓和对未来资金流向的预期、短期流动性所带来的交易机会、股票与其他资产之间的相关性。
　　三是与宏观主题相契合的行业和个股，模型会着重分析国内外经济环境和政策指引。例如，受外部需求回升带动的出口行业，受到资本市场高质量发展政策鼓舞的相关标的等。