我们在《量化私募（九）| 图解量化股票策略产品线》对量化私募的股票策略产品线进行了划分，不同策略的投资收益目标有所不同。一般来说，指增策略的收益来源为【Beta+Alpha】；股票市场中性（完全对冲）策略的收益来源为【Alpha】；股票量化多空（非完全对冲）策略的收益来源既可以是【Beta+Alpha】，也可以是【部分Beta+Alpha】（取决于空头端对冲比例）。
对量化指增策略基金进行收益分析的过程中，在不考虑无风险收益的情况下，最常见的方式就是把收益来源收成拆解为Beta收益和Alpha收益，分别代表与市场涨跌相关部分的被动收益和与基金管理人主动管理能力相关的超额收益。
“Beta常有，Alpha不常有”基本上算是投资领域的共识。获得Beta收益是非常简单的事情，只需要复制对标指数的成分股持仓即可，长期持有便可以保证组合收益不输给市场平均收益（对标指数涨跌幅）；而要获得Alpha收益（或超额收益）则需要通过多种主动管理方式来超越市场指数表现，短期容易实现，但要长期连续跑赢市场却并非易事。
被“忽视”的Beta收益
众所周知，Beta收益由市场行情决定，而不会受到个体投资者或个别投资机构的影响，整体是不可控的。无论是主观还是量化，通过精准仓位择时来提高产品收益是一件极其困难的事情，尤其在震荡的市场环境中。对于指增策略而言，大多数量化私募管理人不会在Beta端有太多“作为”，判断未来市场指数涨跌并非他们的能力所在，量化私募产品满仓运行只是基本操作。因此，在量化私募的产品线中，指增策略选择“拥抱”Beta（与公募指增类似，可参考《公募指增投资指南（二）——指增的beta怎么选》）。
量化私募管理人一般会基于常见的沪深300、中证500、中证1000等宽基指数进行产品线布局（部分开始布局小市值指增和微盘股指增），在要求持仓组合与对标指数保持相对较高的相关度（不过度偏离指数）的基础上，去尽最大可能获取超越对标指数的收益（Alpha收益）。在这种背景下，指增策略的Beta收益常常被“忽视”。
然而，从过去五年的情况来看，选择不同的宽基指数进行跟踪对标，最终Beta端的收益贡献差异还是较大的。其中，小微盘相关指数表现抢眼，小市值指数和微盘股指数在近五年的涨幅分别为88.12%、287.05%，今年以来涨幅分别为16.05%、49.04%，对标相应指数的指增产品Beta收益较为突出；而沪深300、中证500、中证1000等宽基指数近五年涨幅为正，但近三年以及今年以来均为负，短期内对标相应指数的指增策略Beta收益以负贡献为主。
注：指数历史业绩不代表未来，也不预示基金产品未来表现。
“不常有”的Alpha收益
市场涨跌带来的Beta收益是被动的，而获取Alpha收益（超额收益）才是量化私募管理人主动投资管理能力的体现。一般而言，超额收益或Alpha收益又可以被进一步分解为风险风格收益（Smart Beta）、纯超额收益（Pure Alpha）、其他超额收益三部分组成，其中前两者是指增策略产品是最主要的超额收益来源。
资料来源：卓识投资
1、 风险风格收益（Smart Beta）
风险风格收益（Smart Beta）是指通过主动在某个行业暴露或某种风格暴露取得的超额收益。这一部分的超额收益与市场的行业轮动和风格轮动直接相关，获取难度相对较低，但持续性和稳定性不足。
（1）行业暴露
相对于指数基金完全复制对标指数持仓不同，指增策略会以对标指数的行业配置为基准，通过行业偏离（偏配或超配）来主动增加风险暴露，从而获取超越对标指数涨跌幅的收益。举例来说，根据一级行业分类显示，中证500指数中信息技术行业的配置比例为20%左右，指增策略可以在看好信息技术行业的情况下主动将信息技术行业的配置比例提升至25%，超配5%带来的收益便是行业偏离带来的超额收益。需要注意的，市场上对于行业分类有多种（常见的有申万行业划分、中信行业划分、行业划分等），量化私募管理人既可以选择其中一种，也可以根据自身对于行业的理解进行行业分类调整。
（2）风格暴露
从对标指数的角度来讲，其成分股均会体现一定的风格特征，而指增策略也可以通过在特定风格的暴露来获取超额收益。在风格轮动较快的市场环境中，适当的风格暴露能够带来较好的超额收益；反之，如果暴露的风格与市场方向不符，结果会适得其反。市场上较为普遍的是使用Barra模型的风格因子作为标准来识别指增策略是否在某些因子上有较为明显的暴露（当然，也有量化私募管理人结合Barra模型进行改良来构建自己的控制模型，或自研风险模型）。基于此，我们能够更准确地区分指增策略的超额收益来源。
资料来源：MSCI，长江证券财富管理中心资产配置部整理，截至2023年11月20日
2、 纯超额收益（Pure Alpha）
纯超额收益（Pure Alpha）是剔除主动暴露行业和风格的情况外，通过量化模型预测股票涨跌以及提高交易效率等方式获得的超额收益。对于指增策略而言，量化私募管理人为了降低整体Alpha收益（或超额收益）的波动性，一般倾向于锚定对标指数，控制跟踪误差，在行业上和风格上进行较为严格的约束控制，避免风险过度暴露在某一行业或风格，因此Pure Alpha的获取显得尤为重要。由于Pure Alpha并不依赖于市场行情的走势，与市场相关度低，对应策略研发和获取的的难度均较高，其稳定性更高。
对于量化私募管理人来说，Pure Alpha就是量化投资行业的“圣杯”，是最核心的竞争力。我们可以从选股层面和交易层面来解读Pure Alpha的来源。
（1）选股层面
指增策略的Pure Alpha主要来源于量化模型选股及组合构建流程。目前市场上应用最为普遍的是多因子模型，其本质是从多维度海量数据挖掘高夏普、低相关性因子，然后进行因子组合及优化，寻找超越指数的个股组合。具体来说，海量数据在经历清洗后一般可以划分量价数据、基本面数据、另类数据（包括舆情信息、分析师预期等），再以人工方式挖掘形成量价因子、基本面因子、另类因子来构建模型（预测个股涨跌），最后形成策略组合和进行组合优化。对于量化私募管理人而言，强调最多的一点就是“我们与其他量化机构不同或超额收益相关程度低”，因为差异化带来的Pure Alpha才能保证有效性和持续性。
（2）交易层面
算法交易是在交易环节利用智能算法对交易订单自动拆分、挂单、撤单等一系列交易步骤，最终达到减小市场冲击、降低交易成本的目的。算法交易旨在优化交易执行，提高效率，并利用市场机会。近年来，算法交易已然成为了量化投资策略的“标配”。技术实力较强的的量化私募管理人基本能够做到自主研发算法交易，而其他做量化投资的也可以通过对外采购的方式在交易过程中部署算法交易。无论哪种形式，量化私募管理人都在通过硬件升级、算法迭代等方式在交易环节“跑赢”同行，目的就是提高交易效率、减少交易摩擦、降低交易成本，从而不断累积Pure Alpha。除此之外，我们知道有一些量化私募管理人可以通过在原有投资策略的基础上叠加日内T+0来增厚超额收益。
3、 其他超额收益
其他超额收益则包括股网下打新、融资融券、指期货增强等其他方式带来的增强收益。我们在《量化私募（一）|指数增强基金如何实现收益增强？》中已有详细介绍，在此不过多赘述。
对于指增策略而言，“量化入局者”越来越多，赛道拥挤、超额衰减已经成为量化投资领域的共识。这就要求量化私募管理人需要不断开辟新的策略赛道、不断迭代策略和算法来追求更高的Alpha。近年来，随着人工智能（AI）的快速发展，量化私募管理人将机器学习、深度学习等工具运用于选股模型和组合构建过程中，去发掘更多的未知的Alpha。