公募基金指數化投資駛入快車道。近些年來，以ETF為代表的指數基金爆發式增長，行業競爭也愈發激烈。許多基金公司調整戰略，招兵買馬，優化團隊建設與投資策略，以迎接指數化投資時代的挑戰。 

　　2023年3月，孫晨進加入浦銀安盛基金，隨后擔任指數與量化投資部總監，相關的團隊、管理以及策略均得到了升級。目前，多因子選股、行業輪動與事件驅動成為團隊量化投資的三大策略，浦銀安盛基金的大中小指數以及進攻性場外指數產品線不斷延展。據悉，擬由孫晨進管理的浦銀安盛紅利量化選股混合正在發售。 

　　在投資策略上，多因子選股、行業輪動與事件驅動是孫晨進所帶領的指數團隊開展量化投資所遵循的三大策略，前兩者是核心能力，后者則起到增厚收益的效能。 

　　“在多因子模型上，團隊近些年在軟件和硬件上的投入均較大。比如做數據分析需要配置顯卡設備，現在顯卡成本較高，但我們這方面的投入沒有縮減。通過高頻數據，公募基金可以挖掘許多機會，尤其是在市場主線不明朗的時候。”孫晨進說。 

　　在行業輪動模型上，由于近兩年行業輪動速度猶如“電風扇”，想通過輪動獲取收益的難度不斷加大。而量化模型的優勢在于可以不斷提升模型運行的頻率，以便捕捉更多細微的行業變化趨勢。 

　　事件驅動投資策略也被納入量化投資模型之中。作為成熟市場中比較經典的策略，事件驅動投資策略在國內容易失效，因為當事件發生時，上市公司已經發公告披露，在短期博弈性較強的市場環境中，這種策略難有發揮余地。不過，該策略在紅利股投資上有較好的用武之地。 

　　以相關紅利事件為例，上市公司分紅有許多時間點，比如分紅預案、公告、股東大會通過日、股權登記日、除權除息日等。基于這些時間點，可以挖掘很多機會，比如參與股票的填權行情，可根據測算出的勝率進行投資。 

　　“這種投資策略的特點在于不投的時候不占用倉位，一旦遇到時機調倉投資即可，能對組合起到增厚收益的效果。”孫晨進說。 

　　不僅如此，隨著近些年人工智能技術的發展，AI技術被大量運用到日常的量化投資中。孫晨進告訴記者，具體運用體現在兩個方面：一是運算高頻數據所涉及的機器深度學習；二是類似ChatGPT的大語言模型應用。 

　　“今年公司招聘了一位來自互聯網大廠的大數據研究員，為團隊進行AI賦能，將投研工作化繁為簡。”孫晨進舉例說，在尋找市場熱點、行業重要事件等方面，可利用AI技術將一系列非線性的信息流整理成更有序簡潔的信息，從而大大降低人力成本。 

　　孫晨進擁有13年量化投資研究經驗，9年基金投資管理經驗。資料顯示，孫晨進曾擔任華安基金、申萬菱信基金的量化業務負責人，在指數增強、量化對沖、資產配置等量化領域具有豐富的投資和管理經驗。他加盟后，浦銀安盛的指數投資團隊得到了進一步優化，算上新晉升的人員，目前共有6位基金經理、4位研究員。 

　　孫晨進認為，在指數基金的賽道上，隨著ETF混戰的加劇，競爭勢頭相對不那么激烈的指增產品投入少、收效大，更適合浦銀安盛基金當下的發展目標。 

　　在場外指基產品的布局上，孫晨進介紹道，目前浦銀安盛已成立以及在申報中的產品已覆蓋大中小盤指數。比如，代表大盤藍籌的中證A50指增和滬深300指增，以及正在申報的代表中盤股的中證A500指增和代表小盤股的中證2000指增。除此之外，浦銀安盛還會布局一些進攻型品種，比如正在發行的擬由孫晨進管理的浦銀安盛紅利量化選股混合。 

　　據悉，這只產品將主要投資于與紅利主題相關的上市公司，并通過量化投資方法，在有效控制風險的前提下，力爭實現基金資產的長期增值，將成為投資者應對市場波動的較好的配置選項。