导读：过去一年，人工智能出现了革命性的技术突破。通过把强化学习的思路和大语言模型架构整合，实现了机器学习的自我思考能力。机器学习不再只是一种强大的数据处理工具，还能通过训练变得越来越聪明，突破人脑的思维边界。比如说自动驾驶、机器人等领域，都在人工智能时代，实现了重大技术突破。
在量化投资领域，也有一位深耕机器学习多年的基金经理：安信基金的施荣盛。他是公募量化中的“少数派”，用“白盒化”的机器学习方式捕获Alpha，用统一的模型管理所有的指数增强产品。这是一种更现代、更创新、更具有科技含量的量化模型，也帮助施荣盛管理沪深300指数增强产品以来，取得了优异的超额业绩表现。
沪深300作为A股龙头聚集的核心指数，我认为是指数增强“极卷”的赛道。今年上半年，沪深300指数增强基金，合计规模增长超过3亿的也只有5只。施荣盛管理的安信量化精选沪深300 指数增强规模增长超10亿，并且近一年回报和最大回撤均表现出色。
2025年上半年规模增长超3亿的沪深300指数增强产品
数据来源：Wind，点拾投资。业绩数据截至2025年8月31日，规模数据截至2025年中报，安信量化沪深300指数增强近1年业绩比较基准涨幅31.67%。
施荣盛在2023年8月24日管理安信量化精选沪深300指数增强基金后，就采用100%机器学习的量化模型进行运作。截至2025年8月31日，管理的累计收益率36.53%，历史年化收益16.62%，跑赢沪深300指数14.89%，回报水平、最大回撤、信息比率、Calmar、Sharpe等指标也表现出色，相对有力地验证了机器学习模型运作指数增强策略的有效性和稳健性。
施荣盛管理安信量化精选沪深300指数增强基金以来业绩表现
数据来源：Wind，点拾投资，2023年8月24日至2025年8月31日
这位公募量化领域的“少数派”，是如何打造一个可以持续进化的机器学习模型，并适用于各类指数的长期增强，追求显著和稳定的超额回报呢？我们对此充满好奇，也进行了深入挖掘。
投喂有效数据，让模型掌握规律
每一个人的投资理念形成，都和他的人生经历有关。早年入行时，施荣盛也是采用多因子模型来做量化工作。然而在经历了2017年到2018年的极致风格后，并没有取得很好的效果。
施荣盛发现，多因子模型的理论框架来自计量经济学，但是线性关系的因子很难解释复杂的金融市场。在构建多因子模型时，为了确保模型的稳定性和解释力，因子组合时往往只能选择并纳入少量的关键因子，这就使得在多因子模型中增加新因子变得异常困难。
于是，施荣盛尝试用其他方式来解决此类问题。在这个过程中，他发现随着现代金融分析的发展，模型的建立越来越多地依赖于数据驱动的方法，而不仅仅是传统理论推导。机器学习的量化模型已经在海外机构获得了成功，也能允许模型中纳入更多的因子。从2020年开始，施荣盛把研究重心转到了机器学习方向，很快就获得了正反馈。
谈到机器学习，许多人会直接和黑盒子对应起来，而施荣盛把机器学习形成了“白盒化”的改良。
施荣盛统一的指数增强投资框架，可以用一个清晰的公式表达：预期收益率y，来自x因子的挖掘和f因子的组合。
“白盒化”的第一个环节，是对因子的主动筛选。施荣盛有许多挖掘因子的方法，包括遗传算法、深度学习、大语言模型等等，挖掘完因子后他会做一层主动的检测，希望“投喂”给机器学习模型高质量的原始材料。
在得到机器学习的结果后，他也会随机剔除（dropout）一些因子，使用余下的因子重新训练模型，避免模型是由部分因子过拟合得到的结果。比如说2024年中期港交所停止每日公布北向资金实时成交额等数据，施荣盛在剔除了北向因子后，发现得到的模型结果并无多大差异，说明dropout的检测机制增加了模型的稳健性。
施荣盛追求可解释的“白盒化”业绩。他要的是要最符合常识的结果，这样就知道自己的模型为什么做得好，以及为什么做得不好。通过这种“白盒化”的方式，能更好对模型进行优化。
白盒化的第二个环节，是形成统一的指数增强框架。这一点也和其他公募量化有着显著不同。无论是偏大市值的沪深300，还是小市值的上证科创综指，甚至是smart beta策略的红利增强等指数，施荣盛都采用了统一的因子池和收益率预测模型。而我们知道，绝大多数公募量化会根据对标样本的不同，采用更定制化的分域模型。
施荣盛跟踪了数十个具有长期发展潜力的指数，包括规模、风格、行业以及主题指数，通过统一的指数增强框架，他能理解底层的机器学习模型是否真的有效或失效。比如说，当他的沪深300指数增强遇到alpha的回撤时，施荣盛能通过观察其他数十个指数增强策略的表现，理解这个模型现阶段是否有效，抑或市场出现了某种特征。
采用统一模型的体系，能够有效规避多因子模型常见的过度拟合问题，确保因子的普适性。在A股市场，如果将市场划分为不同的样本域进行因子和模型构建，可能会引发过度拟合问题。一个因子若只能在沪深300指数中表现优异，可能是由于某一特定时期的特定市场结构所致。通过全市场范围内进行统一的因子构建和验证，可以更好确保因子的长期有效性。
通过模型白盒化，施荣盛能够在市场变化时做统一的策略评估和调整。这样的投资框架是标准的，也能简化操作流程。
让模型变得聪明，也是一种复利
2024年初的时候，施荣盛判断红利风格还会持续一段时间，但他并没有在模型中增加红利因子的权重，反而主动接受了年初的小盘股回撤。对于施荣盛来说，主动的风格择时或者行业轮动并没有复利效应。或许这一次做对了，下一次又做错了。施荣盛更希望模型能够变得越来越聪明。
要让模型变得更聪明，必须“投喂”足够长的跨越完整经济周期的长周期数据，这是因为市场规律和统计结论会随时间段的选取而发生显著变化。不要依赖一个单一的模型，而是用集成学习的方式，让多个模型互相验证。同时，在训练时就要教会模型考虑交易成本，并设置严格的风险约束，确保它赚的钱是真正的超额收益（Pure Alpha），而不是靠运气或承担了不该有的市场风险。
根据申万宏源此前的一份报告，施荣盛管理的安信量化精选沪深300指数增强，无论是指数上涨、指数下跌、成长占优、价值占优、还是大盘占优、小盘占优，安信量化精选沪深300指数增强的表现分位数都非常好。这也体现了施荣盛的Pure Alpha，在各种市场风格下，相对拉长时间看，超额都是相对稳定的。
资料来源：wind，申万宏源研究；数据计算区间：2023M9-2025M2，分位数越高代表业绩越好。
施荣盛对模型做了动态优化，不仅仅依赖于市场预期和历史数据，而是根据实时的市场表现，模型自行对约束条件和优化目标进行调整。
模块化形成Alpha的稳定性
在构建机器学习的模型时，施荣盛根据指数增强体系的不同环节，进行了模块化的处理。从收益率预测、因子的挖掘和筛选、到组合优化、风险管理，以及最后的交易执行等，施荣盛全部采用了模块化的方式。每一个模块，都有统一的标准。这就像餐饮连锁的模式，只有标准化才能实现连锁化，打开增长空间。而无法标准化的餐饮，最终只能成为一个手艺人小饭店，有着明显的收入空间天花板。
当然，模块化和标准化打造在初期，需要耗费大量的时间和精力。但是，模块化的好处是有复利效应，通过模型的日积月累，之后就能形成可持续的迭代能力。正如今年许多公募基金开始采用的工业化思维，施荣盛很早就开始打造了量化投资的“生产线”。在有限的资源下，保持了模型的持续进化。
许多机构投资者发现施荣盛，不仅是因为他过去一年的超额收益突出，而且超额收益和其他公募量化的相关性也很低。背后的原因，是两者底层的方法论不同。今天，多因子模型依然是公募量化的主流，通过公募自身在基本面的禀赋挖掘阿尔法。而机器学习在私募基金中的运用更普遍，通过建立在技术层面的优势挖掘阿尔法。
从某种意义上看，施荣盛这套机器学习的量化模型，将公募与私募量化投资的优势相结合。我认为，他在机器学习的探索较早，又清楚多因子方法的利弊，施荣盛总是能通过创新找到新的阿尔法来源。
早在去年8月的一次与券商的公开交流中，施荣盛就提到了用大语言模型挖掘因子。彼时关注大语言模型和智能体Agent的公募量化并不多。施荣盛就开始积极探索DeepSeek在内的各类海内外大语言模型，通过直接接入API对模型进行测试。
在模型层面的创新，是施荣盛非常显著的特点。也正是通过一次次的创新，帮助他力争走在超额收益的曲线前面。更重要的是，施荣盛的量化组合一直致力于寻找和使用低相关性的Alpha，有效改善基金组合的风险收益比。
拥抱人工智能的非线性突破
每一次科技大浪潮，都带来了全社会的生产效率提升。从工业革命开始，全球的经济增长相比过去2000年，出现了非线性的发展速度。1800年的世界和800年的世界，没有太大本质差异，但是1900和2000年出现了天翻地覆的变化。进入2000年后，每隔10年都有一波巨大的科技浪潮，从方方面面改变每一个人的生活。
人工智能的出现，让机器学习变得越来越聪明。今年以来，许多模型能够像人类一样进行思考，形成了自我进步的模式。施荣盛的机器学习量化模型，正是把握了科技创新的“快车道”。相比于传统的多因子模型，施荣盛获得Alpha的模式变得更加高效。
当许多人在竞争多因子带来的Alpha时，施荣盛通过持续创新找到了不一样的Alpha源头。无论是他的代表作安信量化精选沪深300增强基金，还是10月13日起发行的安信创业板指数增强基金，都可能在他不断进化的机器学习模型，产生稳定且持续的超额收益效应。
在工具化产品盛行的时代，我们非常看好这类积极拥抱AI、有效训练模型、追求稳定超额回报的“白盒化”量化策略。
风险提示：本文仅代表作者观点，不作为任何法律文件，也不构成任何法律承诺。基金的过往业绩并不预示其未来表现，基金管理人管理的其他基金的业绩并不构成基金业绩表现的保证。当前列举的行业仅为基金经理关注方向的举例，不等同于基金未来必然投资方向。投资者在进行投资前请认真阅读《基金合同》、《招募说明书》等法律文件，了解基金的风险收益特征，并根据自身的投资目的、投资期限、投资经验、资产状况等判断基金是否和投资人的风险承受能力相适应，根据自身风险承受能力购买基金。市场有风险，投资须谨慎。
数据来源：Wind，截至2025年8月31日。安信量化精选沪深300指数增强A自施荣盛任职以来业绩比较基准为：19.71%。沪深300指数自施荣盛任职以来涨跌幅为：21.64%。安信量化精选沪深300指数增强A自2017年度至2024年度的完整年度业绩/业绩比较基准增长率分别为：7.78%/6.57%(自生效)、-19.28%/-10.43%、21.37%/10.29%（转型前）、18.50%/10.11%（转型后）、50.30%/24.51%、-2.33%/-4.51%、-21.03%/-19.53%、-9.34%/-10.20%、21.02%/13.38%；基金成立日：2017-03-16；基金历任基金经理为：袁玮(20170316-20180329)、张翼飞(20170316-20180329)、徐黄玮(20171101-20230913)、施荣盛(20230824至今)。安信量化精选沪深300指数增强基金2019年5月7日由安信新起点灵活配置混合型证券投资基金转型而来。
- end -
按姓名首字母排序
上下滑动阅读更多内容
安 昀 | 鲍无可 |包承超 | 包𢽾文| 贲兴振 | 薄官辉
毕天宇 | 曹 晋 | 曹 霞 | 曹文俊 | 常亚桥 | 常 蓁
常 远 | 崔建波 | 陈璇淼 | 陈一峰 | 陈 栋 | 陈 平
陈 媛 | 陈立秋 | 陈 军 | 陈觉平 | 陈 浩 | 陈文扬
陈 宇 | 陈金伟| 陈国光 | 陈思靖 | 陈 鹏 | 陈 玮
陈乐天 | 陈轶平 | 陈良栋 | 陈连权 | 陈怀逸| 陈圆明
陈 文 | 陈昆才 | 陈思行 | 成念良 | 程 彧 | 程 洲 程 琨 | 程 涛 | 崔 莹 | 蔡嵩松 | 蔡 滨 | 蔡 晓
蔡宇滨 | 蔡志鹏 | 蔡志文 | 丁靖斐 | 代云峰 | 邓炯鹏
邓心怡 | 董伟炜 | 董 超 | 董 梁 | 杜晓海 | 杜 洋
杜 沛 | 杜 广 | 冯明远 | 冯 帆 | 傅奕翔 | 付 斌
付 娟 | 付伟琦 | 费 逸 | 范 洁 | 范庭芳 | 范 杨
方钰涵 | 方 纬 | 方 抗 | 方 建 | 方 昶 | 高兰君
高 远 | 刚登峰 | 葛 晨 | 顾耀强 | 顾益辉 | 谷琦彬
归 凯 | 管嘉琪 | 郭 锐 | 郭 堃 | 郭相博 | 巩怀志
韩 冬 | 韩海平 | 韩 冰 | 韩 林 | 郝旭东 | 郝 淼
何 帅 | 何晓春 | 何 琦 | 何以广 | 贺 喆 | 侯振新
侯 梧 | 侯 杰 | 洪 流 | 胡昕炜 | 胡鲁滨 | 胡宜斌
胡 涛 | 胡 伟 | 胡志利 | 胡 喆 | 胡 颖 | 胡 迪
、胡 奕 | 黄 峰 | 黄 力 | 黄立华 | 黄 波 | 黄 晧
黄垲锐 | 黄莹洁 | 黄立图 | 姜 诚 | 姜 英 | 蒋 鑫
蒋 璆 | 蒋 娜 | 江 勇 | 江 琦 | 江 虹 | 纪文静
焦 巍 | 焦文龙 | 贾 鹏 | 贾 腾 | 金晟哲 | 金笑非
金梓才 | 季新星 | 季 鹏 | 匡 伟 | 孔令超 | 孔宪政
阚 磊 | 劳杰男 | 蓝小康 | 雷 鸣 | 雷 敏 |雷志勇
李德辉 | 李 琛 | 李晓西 | 李晓星 | 李元博 | 李耀柱
李玉刚 | 李健伟 | 李 建 | 李佳存 | 李 巍 | 李 竞
李 君 | 李振兴 | 李 欣 | 李少君 | 李 瑞 | 李文宾
李 彪 | 李宜璇 | 李子波 | 李 倩 | 李 燕 | 李 崟
李怡文 | 李 海 | 李禹成 | 李劭钊 | 厉叶淼 | 黎海威
廉赵峰 | 梁 浩 | 梁 辉 | 梁 力 | 梁永强 | 梁文涛
梁 鹏 | 廖瀚博 | 林 庆 | 林剑平 | 林 森 | 刘 斌
刘 波 | 刘 冬 | 刘 辉银华 | 刘 辉东方红 | 刘格菘
刘 江 | 刘莉莉 | 刘晓龙 | 刘 苏 | 刘 锐东方红
刘 锐中信保诚 | 刘 平 | 刘 潇 | 刘 兵 | 刘 晓
刘开运 | 刘元海 | 刘心任 | 刘志辉 | 刘伟伟 | 刘 鹏
刘宇涛 | 刘万锋 | 柳世庆 | 柳万军 | 陆 彬 | 陆政哲
陆 欣 | 陆 航 | 陆 奔 | 陆文凯 | 罗春蕾 | 罗世锋
罗佳明 | 罗远航 | 罗 雨 | 骆 莹 | 吕佳玮 | 吕越超
闾志刚 | 楼慧源 | 马 翔 | 马 龙 | 马 磊 | 毛从容
莫海波 | 苗 宇 | 闵良超 | 牛 勇 | 倪权生 | 农冰立
彭凌志 | 彭成军 | 彭 玮 | 潘中宁 | 潘 明 | 蒲世林
齐 皓 | 祁 禾 | 邱璟旻 | 邱世磊 | 丘栋荣 | 邱 杰
钱伟华 | 钱亚风云 | 秦 毅 | 秦绪文 | 曲 径 | 饶 刚
任琳娜 | 任 明 | 桑 磊 | 宋海岸 | 宋 华 | 宋 洋
岁 寒 | 石海慧 | 石 波 | 沈 楠 | 沈雪峰 | 沈 怡
史 伟 | 是星涛 | 苏谋东 | 苏俊杰 | 孙 芳 | 孙 伟民生加银
孙 伟东方红 | 孙轶佳 | 孙浩中 | 孙梦祎 | 孙 蒙 | 孙文龙邵 卓 | 邵佳民 | 邵蕴奇 | 盛震山 | 唐颐恒 | 唐 华
唐 晨 | 提云涛 | 汤 慧 | 谭冬寒 | 谭鹏万 | 谭 丽
田彧龙 | 田 瑀 | 田宏伟 | 田俊维 | 屠环宇 | 陶 灿
万建军 | 王大鹏 | 王东杰 | 王 刚 | 王君正 | 王 涵
王 俊 | 王 培 | 王 鹏 | 王 栩 | 王延飞 | 王宗合
王克玉 | 王 景 | 王诗瑶 | 王晓明 | 王晓川 | 王奇玮
王筱苓 | 王园园 | 王 垠 | 王文祥 | 王 睿中银 | 王 睿中信保诚
王海涛 | 王登元 | 王 健 | 王德伦 | 王艺伟 | 王浩冰
王 斌 | 王晓宁 | 王 浩 | 王星星 | 魏晓雪 | 魏 东
魏建榕 | 魏玉敏 | 韦明亮 | 翁启森 | 吴 星 | 吴 达
吴培文 | 吴丰树 | 吴 印 | 吴 渭 | 吴 越 | 吴 弦
吴 坚 | 吴 悠 | 吴江宏 | 伍 旋 | 武 杰 | 肖瑞瑾
肖威兵 | 肖 觅 | 谢书英 | 谢振东 | 徐荔蓉 | 徐志敏
徐 成 | 徐 斌 | 徐 博 | 徐志华 | 徐习佳 | 徐 爽
徐智翔 |许文星 | 许 炎 | 许望伟 | 许利明 | 薛冀颖
夏 雨 | 颜 媛 | 闫 旭 | 杨 栋 | 杨 浩 | 杨 瑨
杨锐文 | 杨 帆 | 杨岳斌 | 杨 明 | 杨 飞 | 杨晓斌
杨 鹏 | 杨 梦 | 杨立春 | 姚 跃 | 姚志鹏 | 尹海影
尹粒宇 | 殷 哲 | 叶 松 | 叶 展 | 叶 丰 | 叶予璋
易智泉 | 易小金 | 于 渤 | 于 洋 | 于善辉 | 于浩成
于 鹏 | 俞晓斌 | 袁 宜 | 袁 航 | 袁 曦 | 袁 玮
袁多武 | 袁争光 | 余小波 | 余芽芳 | 余科苗 | 张 芸
张丹华 | 张东一 | 张 凯 | 张 峰富国 | 张 峰农银汇理
张 锋 | 张汉毅 | 张 晖 | 张 慧 | 张金涛 | 张翼飞
张 骏 | 张剑峰 | 张 竞 | 张 萍 | 张 帆 | 张延鹏
张迎军 | 张益驰 | 张鸿羽 | 张 弘 | 张 航 | 张 寓
张宇帆 | 张 杨 | 张 堃 | 张仲维 | 张 勋 | 张 靖
张 亮 | 张西林 | 张晓龙 | 张浩佳 | 张亚辉 | 张 腾
张 英 | 张 明 | 张馨元 | 张建胜 | 章 恒 | 章 晖
章旭峰 | 章秀奇 | 章鸽武 | 詹 成 | 赵大震 | 赵晓东
赵 强 | 赵 剑 | 赵浩添 | 赵 伟 | 赵鼎龙 | 庄 园
曾 刚 | 曾海林 | 郑澄然 | 郑慧莲 | 郑 科 | 郑 磊
郑巍山 | 郑 伟 | 郑泽鸿 | 郑 日 | 郑 宁 | 郑小兵
周 晶 | 周应波 | 周克平 | 周 良 | 周雪军 | 周 云
周 杨 | 周 崟 | 周寒颖 | 周智硕 | 周文群 | 周宗舟
朱 平 | 朱 赟 | 朱晓亮 | 朱晨曦 | 钟 赟 | 钟 帅
朱 熠 | 左金保 | 赵 蓓 | 智 健 | 邹立虎 | 邹维娜
邹 唯 | 邹 曦 | 邹新进
精彩评论