Stacie Mintz：把质性基本面转成量化因子

从客户的难题开始

策略的起点在 1996 年。一位多资产客户认为其主动经理的表现不够稳定，要求当时正在管理指数基金的团队尝试指数之外的做法。市场已经知道低市盈率和高动量等异常现象，但行为偏差为这些现象提供了另一种解释：投资者可能过度相信自己的选股能力、抗拒止损，或被自己买入时的价格锚定。

PGIM 的研究没有把异常直接当成可交易结论。团队关注的是偏差在哪些股票上更相关，以及这类异常能否持续。1999 年，他们发表了讨论行为偏差、估值与主动管理的论文；当年的框架至今仍是策略的一部分。市场和具体模型已经变化，寻找有基本面理由的持续性信号这一原则没有变。

风险模型会改写组合

Mintz 认为，alpha 模型与风险模型共同决定组合。早期团队对成长和价值都有研究观点，也希望把两类特质保持平衡；外部风险模型却把价值一侧识别为风险，导致组合不断削弱价值暴露。问题不在于团队是否拥有一个好的选股模型，而在于组合构建的另一个环节正抵消它。

因此，团队在 1999 年开始自建风险模型。这样做让他们能够按照自己的判断定义重要风险，并随数据和研究进展调整模型，也更容易满足客户层面的定制需要。Mintz 并没有把自建模型描述成更能预测单只股票的工具；在她的叙述中，它更像一个分散引擎，避免在相近的历史风险判断下被迫集中到同一类股票。

在廉价因子暴露之外寻找差异

全球金融危机后，智能贝塔 ETF 以低成本提供了简单因子暴露。Mintz 说，若客户要把资金交给主动量化管理人，团队必须做出比简单因子更有差异的东西。研究随之扩展到替代数据、公司质量，以及那些能帮助判断增长是否能兑现、价值是否只是价值陷阱的信号。

团队每年 12 月举行内部研究提案会。研究员提出几个方向，资深和初级研究员、投资组合经理一起提问和挑错。候选研究不只看可能带来 alpha，也看它是否符合投资理念、是否有差异、能否规模化并真正落地。这种过程保留了一个朴素限制：模型中的空间有限，加入一个新因子，就会改变其他因子的相对作用。

融资方式为什么会成为因子

金融危机后加入的融资因子，是这套思路的一个具体例子。对一组增长公司而言，PGIM 研究了企业以何种方式为扩张提供资金。研究显示，靠经营现金流推动增长的企业往往优于持续向资本市场寻求更多资金的企业。

Mintz 给出的解释与投资约束有关。项目的边际回报通常会下降；若企业外部资金非常充足，可能更容易继续投资质量较低的项目。受内部现金流约束的企业则必须更严格地取舍。这个观察先以相对简单的方式进入模型，后来随着信息和方法改善而继续调整。它为质量提供了一个不同于常见财务比率的观察角度。

同一因子不该用在所有公司身上

PGIM 把因子分为成长、联结、质量和估值。Mintz 强调，分类主要帮助团队沟通策略和解释业绩，模型内部的互动比这四个标签复杂得多。真正不同的地方在于使用方式：因子权重会根据公司本身的增长阶段每天调整。

增长较快、处于较早阶段的公司，未来增长对其价格更重要，模型会给成长因子更大的权重，即使当前收益下看起来昂贵也是如此。成熟稳定的公司则更需要看价格是否足够便宜，模型会更重视估值。质量在两端仍然重要。汇总到组合时，成长和价值两类暴露可以保持平衡，但它们来自不同类型的股票，而不是来自对每只股票施加同一套等权规则。

联结和信息动量：从噪声中区分公司事件

联结因子从公司之间的信息流入手。行业内的共同变化是最简单的情形；更复杂的做法是识别跨行业、跨国家的客户—供应商关系，并衡量关系强度。若公司 A 出现正面冲击，其供应商、甚至供应商的供应商可能受益。团队把这类关系视为从公司外部补充判断成长前景的路径。

这也解释了为什么团队没有把价格动量直接纳入模型。价格变化一部分反映公司本身的事件，另一部分可能来自行业冲击、投机或其他噪声。PGIM 试图围绕公司特定事件观察价格反应，只保留更接近信息的部分，称为信息动量。Mintz 说，团队的研究中它长期效果不弱于价格动量，但下行风险约为后者的一半。因子设计的目标既包括收益，也包括风险收益权衡。

数据的价值在处理过程里

独家数据曾经是重要优势。Mintz 认为今天的数据大体更容易获取，虽然大规模获取仍有成本；难点已经转向如何处理。团队需要从不断出现的新数据源中筛出真正相关的信息，决定采用什么分析工具，如何转换和标准化数据，选择多长的时间窗口、是否时间加权，以及怎样处理缺失值。

因子放进模型的位置同样重要。PGIM 按地区大约使用 25 到 40 个概念，每个概念可能含有多个组成部分。这个数量少于拥有 400 个信号的模型，是因为团队希望每一项都能被理解、能在不同市场环境中发挥明确作用，也能解释业绩是由什么推动的。

冲击与回测的边界

新冠疫情、迷因股热潮和 AI 都让团队面对不同形式的市场状态变化。Mintz 认为冲击本来就难以预测，管理人更需要决定冲击发生后如何行动。模型应由不同来源的 alpha 和不同类型的因子组成，以提高韧性；新冠期间，即使模型暂时失效，也不宜因为短期表现就推翻投资理念。

人工裁量却不是完全排除。俄罗斯入侵乌克兰时，模型因低估值而认为俄罗斯很便宜，投资组合管理团队决定需要调整。这种例外需要集体经验，而不是由单个经理随意改写模型。事件之后，团队会复盘：有些冲击确实无法纳入原有体系，有些则提供了改进下一版模型的线索。

同样的克制也用于回测。Mintz 对每年都表现优异的回测结果保持警惕，因为那可能意味着设定有问题。带有可以解释的弱点的回测，反而能帮助团队知道模型在什么环境下可能承压。新数据集的历史有时仅五至七年，少于过去期待的二十年；在这种情况下，团队要求更扎实的理论基础，并可能先以较低权重使用新因子。

LLM 用来处理文本，不替代研究判断

语言模型让量化团队有机会把原本难以数值化的信息带进研究。全球公司的财报电话会记录、新闻及其他文本提供了较广覆盖；挑战在于从中抽出真正有用的信息，并保证不同公司、行业和地区的结果可比。形成可比评分之前的提取和校验，是整个过程最难的部分。

董事会构成展示了这种转换。团队不只看董事的履历，还研究董事会之间的联结。有价值、受欢迎的董事可能同时服务于数家企业，这些关系可能构成信息流动的渠道。Mintz 说，他们观察到经营困难的企业若有联结更强的董事会，往往比同业更有韧性。这个发现是一个用于研究的关联，仍需与其他公司信号一道检验。

最后仍要回到公司的销售和盈利。只有当语言模型抽取出的洞见能与这些基本面结果建立联系，团队才更愿意相信它具有持续价值。对 Mintz 来说，LLM 扩大了可研究的信息范围，却没有取消量化研究中最老的要求：知道信号在测量什么，也知道它没有测量什么。