“当所有人都用同一把尺子量身高的时候，我们需要发明一把能同时量身高、测体重、看骨龄的尺子。”中金基金量化指数部与多资产部负责人耿帅军这样形容他的投资哲学。

　　从业十余载，耿帅军亲历了量化投资从边缘到主流的蜕变，如今他掌舵中金中证A500指数增强基金，该新产品于3月5日开始募集，于3月11日提前结募。耿帅军凭借一套独特的“非线性策略框架”，致力于在行业的红海市场中开辟出一条新路。

　　近期，耿帅军在接受记者专访时分享了他的观点以及投资策略。他认为，随着中美经济走势出现分化，A股中期表现有望保持相对强势。在中长期资金入市和指数化投资的背景下，A股投资或逐渐回归基本面逻辑，而指数增强基金的超额收益正是来自提升市场定价有效性后获得的奖励。

　　A股中期有望保持强势

　　2025开年以来，以DeepSeek为代表的中国科技突破大潮引发了全球投资者对中国资产的价值重估，科技创新板块普遍上涨。与此同时，美股出现显著调整，引发市场各方讨论。

　　在耿帅军看来，当前，中国正通过科技突破（如算力、高端制造打造新增长引擎，经济基本面持续向好，而美国处于一轮经济周期的后端，两国经济走势开始出现差异，未来全球资金流向值得密切关注。

　　“中期来看，A股有望保持相对强势的市场格局。”耿帅军表示，未来四个方向的投资机会值得关注：科技与创新、消费与内需、央国企改革以及困境反转类投资机会。

　　在科技创新方面，人工智能（AI与算力产业链、低空经济、自动驾驶和机器人技术等新质生产力投资机会显著，信创、半导体等领域有望迎来快速发展。

　　消费板块有望迎来估值与业绩的“戴维斯双击”，特别是食品饮料、家电、汽车、医药等细分领域有望受益；与“悦己”相关的消费领域，如化妆品、旅游、教育等领域有望成为新的增长点。

　　在央国企板块，低估值、高股息的品种值得关注，特别是涉及资产注入和市值管理的标的；在政策鼓励下，部分央国企还存在并购重组机会。

　　此外，证券、保险等非银金融企业有望受益于财富管理需求上升，建筑、家电、家具等地产链相关板块有望迎来困境反转。

　　精细化运作非线性策略

　　量化投资常被视为一种数据实践，但耿帅军更愿将其定义为“科学与艺术的结合”，兼容数据驱动的客观性与策略逻辑的艺术性。他认为，模型的客观性依赖海量数据与统计学验证，但策略设计需融入对市场非理性行为的直觉判断。正如他所说：“模型是骨架，人的认知才是灵魂。”

　　这种科学性与艺术性的结合，也在中金中证A500指数增强基金上有所体现。他坦言，由于中证A500成分股中有很多机构投资者扎堆的标的，使得阿尔法超额收益获取难度更高，在进行管理时要采用更加精细化的运作方式。

　　面对激烈的市场竞争，耿帅军自有一套“秘籍”——中金基金独特的非线性策略框架。耿帅军说，传统的线性策略是假设因子与收益呈单向关系。例如，假设股票估值越低，未来涨幅空间越大。但在高度有效的市场中，这种线性关系被打破了，于是非线性策略框架应运而生。

　　“非线性策略不是否定传统逻辑，而是用更精细的‘手术刀’划分市场。”耿帅军介绍，简单来说，非线性策略是将市场划分为多个细分维度，如公司质地、行业周期等，然后在每个细分领域内构建局部线性模型，最终组合形成全局非线性策略。

　　例如，将股票按长期净资产收益率（ROE水平分为“高质量”与“低质量”类型，在高质量组侧重基本面因子，在低质量组侧重交易行为因子。“在AI赋能下，如果局部模型分类足够多，可以做到每个标的都有自己的定价模型。”耿帅军表示。

　　他说，在资本市场上，要时刻关注逻辑的范式切换。一个重大事件带来的影响，可能会完全演变成另一个逻辑。这需要基金经理判断什么逻辑是永恒的，什么逻辑只是阶段性的。

　　“人工智能和大数据技术极大扩展了量化投资的边界。”耿帅军进一步表示，技术的进步使得研究人员能够更好处理数据和分析数据，以文本数据为例，通过自然语言处理可以解析新闻、社交媒体、财报等文本信息，将非结构化数据转化为量化信号，能够快速捕捉政策驱动事件或市场情绪波动。除此之外，深度学习技术在处理时序数据上表现出了极强的学习能力。

　　“拥抱人工智能是目前国内量化投资的主流，未来对人工智能技术使用的水平，将成为量化投资团队投资能力的重要衡量标准。”耿帅军说。

　　超额收益是市场有效性的奖励

　　在指数化投资的浪潮下，以ETF为代表的被动投资基金发展势头强劲，但耿帅军认为，被动投资与主动投资是市场有效性的“共生体”， 被动投资繁荣的前提是依赖主动投资持续发现错误定价，从而维持市场定价的有效性。因此，主动管理的指数增强基金的超额收益正是来自于帮助市场提升有效性后获得的奖励。

　　中金中证A500指数增强基金将如何获得超额收益？据介绍，该产品的量化策略主要由四部分构成：风险模型、阿尔法（超额收益策略、组合优化及归因分析。其中，在阿尔法策略上，中金基金量化团队将基于财务数据、分析师数据、交易行情数据、高频数据和另类数据，开发研究预测股票超额收益的阿尔法因子。

　　该产品的阿尔法策略分为两类：一类是从公司基本面出发，基于财务数据和分析师盈利预测研究公司内在价值及景气度，寻找高景气的公司或者价值被低估的公司进行配置，从而获取超额收益；另一类是通过人工智能算法，在海量的高频数据中挖掘短期市场规律和错误定价机会，在此基础上构建阿尔法策略。

　　“这两类阿尔法策略的数据源、底层逻辑和收益来源差异较大，相关性较低，互补性较强，能较大程度地分散化超额收益来源，使得超额收益更稳定。”耿帅军表示。

　　耿帅军还表示：“在指数增强型产品管理过程中，我们将通过严控产品相对于基准的行业与风格偏离，来控制产品相对基准指数的跟踪误差，满足基金合同条款。在此基础上，主要通过优化阿尔法信号来获取更高的收益。”