在明朗看来，量化不仅仅是简单的数据挖掘，而是要将主动基本面研究的深度与量化投资的广度相结合。
基于这一理念，明朗以交叉学科的创新思维对基本面量化投资进行探索。通过在量化策略中引入行业模型，他系统性地将各行业的底层逻辑转化为可量化、可验证的规则体系。“这需要我们对行业有深刻理解，同时具备将认知转化为模型的能力，这种交叉学科的协同更有助于获取超额收益。”明朗解释道。
“美国2008年因房地产泡沫引发的次贷危机重创全球经济，彼时华尔街金融模型预测抵押贷款支持证券（MBS）的风险相关性低，因而将其视为‘安全’资产，最终的结果证明该判断在这场危机中完全失效，其原因在于模型的预测是基于历史数据作出的假设。”易方达基金基金经理明朗说。当年，明朗曾在处于危机中心的房地美公司从事建模工作，“历史规律不代表未来”是他学到的第一个“历史的教训”。
这一认知在他2017年转战公募行业后得到进一步验证。他发现，传统的量化策略同样面临“历史规律失效”的困境。为此，他开始探索更具前瞻性的因子构建方法。“关键在于深入挖掘因子背后的因果关系，而非仅停留在统计相关性的表面。”在明朗看来，量化不仅仅是简单的数据挖掘，而是要将主动基本面研究的深度与量化投资的广度相结合。
基于这一理念，明朗以交叉学科的创新思维对基本面量化投资进行探索。通过在量化策略中引入行业模型，他系统性地将各行业的底层逻辑转化为可量化、可验证的规则体系。“这需要我们对行业有深刻理解，同时具备将认知转化为模型的能力，这种交叉学科的协同更有助于获取超额收益。”明朗解释道。
提升因子前瞻性
一般来说，传统量化策略的底层逻辑在于运用统计方法挖掘因子，进行选股。以公募基金应用最多的量化指数增强策略为例，不同于主动管理的产品较为注重行业配置，量化指增策略往往采取“行业中性”的设计思路，尽量对标基准指数的行业权重。换句话说，它不通过行业配置来博取收益，而是专注于在行业内部选出表现更优、风险更低的个股，以争取超额收益。而要做到对行业全覆盖，量化策略主要借助各类模型因子。
但问题也随之而来。“统计永远是对过去的观察。”明朗坦言，量化策略的局限之处在于对历史数据的高度依赖，若仅凭统计模型所呈现的历史表现来推导未来，不但可能失真，甚至可能掩盖真实的风险。例如基于PE估值因子的均值回归效应，在历史数据中表现优异的回测结果，一旦市场环境发生变化，很可能失效。
如何解决历史规律失效问题使因子具备前瞻性，是量化投资面临的核心挑战。在明朗看来，量化模型所有的研究和优化工作，本质上都是围绕着这个问题：历史数据如何更可靠地预测未来？
“想找到答案需要探究背后的因果性。”明朗说，统计方法揭示的是因子与股价表现之间的相关性，但这不等同于内在的驱动机制。“有这样一个经典的例子，我们可能观察到树木的长高与经济增长存在正相关，但这种统计关联背后缺乏直接的因果关系，真正的驱动逻辑可能是科技进步提升了社会生产效率，从而推动经济增长。”他说。
“因此，区分并捕捉真正具备经济逻辑支撑的因果关系，才是量化策略应对‘历史不代表未来’的这一挑战、提升模型稳定性与前瞻性的关键。”明朗总结道。
构建行业模型
如何挖掘更具逻辑性的有效因子？明朗认为，要下沉到行业，即通过深入的行业认知，挖掘更多结构化和非结构化的数据形成“决策抓手”，以识别出真正影响公司股价表现的驱动性变量，并据此调整模型因子结构。
基于这种理念，明朗在所管理的指数增强产品中引入了“行业模型”。以易方达沪深300量化增强为例，该基金跟踪的沪深300指数成分股中，专业机构投资者占据主导地位，定价效率比较高，如果依赖历史统计的传统多因子进行量化增强，其效果有限，但如果将传统的量化统计与主动的行业基本面研究相结合，则更容易挖掘到有效的新因子。
具体而言，明朗将沪深300样本股划分为八大板块，每个板块内部建立独立模型，分行业量身定制因子与选股策略。例如，周期板块涵盖煤炭、钢铁、有色等多个行业，因其具有相似的估值波动特征，可以采用统一的估值模型进行结构性配置；而医药、消费、金融等板块，由于基本面与投资交易逻辑具有显著的差异，需构建独立的选股体系。
“板块之间，我们严格遵循指数增强策略原则，不主动进行超配或低配操作。但在板块内部，例如周期板块，我们会根据行业共性在板块内部有选择地进行超配或低配，以获取结构性收益。”明朗说。
明朗进一步介绍，行业模型具备深挖特质因子、低相关性和快速迭代三个特点。一方面，模型下沉到细分行业进行基本面挖掘。例如银行业，过去低市净率（PB）因子广受推崇，但随着中国经济增速换挡，银行业依靠高增长驱动下的规模扩张模式，逐渐让位于以风险控制为核心的稳健经营逻辑，PB因子的有效性减弱，像“不良贷款率”这样的风控类指标，更能反映银行的真实风险与价值。
另一方面，通过板块划分与因子差异化建模，不同板块策略之间的直接相关性降低，可提高行业模型整体的稳健性，同时模型更新也更为灵敏，可通过及时捕捉行业基本面及投资逻辑变化，响应行业周期变化与市场结构调整。
融入交叉学科思维
在明朗的投资方法论中，“主动研究的逻辑判断”与“量化模型的系统规则”可以相互赋能，这也体现了其交叉学科思维。
“投资大师查理·芒格十分推崇多学科思维模型，通过整合统计学、物理学、心理学等学科的底层原理并对投资逻辑交叉验证，构建了创新的投资体系。”在明朗看来，将主动基本面研究和量化投资相结合的基本面量化，也是一门交叉学科。
明朗认为，极致的主动研究追求对公司的深度认知，致力于挑选出长期伟大的公司，而极致的量化交易致力于捕获个股分钟级别的价格波动机会。基本面量化则融合了基本面研究的逻辑深度和量化交易系统性、覆盖面的优势，能够从长期价值发现、中期盈利趋势、短期波动和事件驱动等各个层面捕捉投资机会。
交叉学科思维也被明朗运用到其管理的另一只基金——易方达高股息量化选股基金中，这是一只红利策略的股票型产品。明朗认为，红利类公司通常业务成熟稳定，市场容易定价且波动小，以统计驱动的量价因子较难做出超额收益。
如何找到解决方案？明朗解释道：一方面，从红利资产业务稳定的基本面特性出发，构建符合红利逻辑的基本面因子；另一方面，从量化策略均值回归的交易特征出发，结合红利资产波动小的特性，构建交易策略。基本面逻辑和量化策略的交叉印证，可以为红利资产构建更精准的定制化模型，通过两者协同，可进一步打开获取超额收益的空间。
