QAML Asia stock-selection framework研报解读

概览

Morgan Stanley将其Quant + Analyst + Machine Learning选股框架扩展至除日本外亚太地区。核心结论是，ML最适合作为差异化的信息与分散化来源，而非应被最大化配置的策略袖套；因此，该机构倾向于75/25的Quantamental/ML配置，并将其保留为战略基准。

核心观点

QAML在MSCI AC Asia Pacific ex Japan IMI股票池中结合三项选股支柱：Core Metrics，即由Value、Quality、Momentum、Growth和Low Risk信号等权构成的体系；由分析师提供信息的Dynamic Metric Pool；以及采用AdaBoost、使用基本面和逾100项技术指标的ML策略袖套。前两者构成Quantamental子组合。证券按行业相对得分排序，做多前20%、做空后20%，并调整多头账簿杠杆以实现组合beta中性。信号在月末测量、组合按月再平衡，报告的美元业绩均为税费前。 报告的主要投资逻辑是，在不断变化的阿尔法来源之间实现分散化，而不是依赖某一个主导信号。自2002年以来至2026年7月31日的全样本中，QAML长期CAGR为23.6%，高于Dynamic Metric Pool的21.0%、Core Metrics的20.1%和独立ML的17.9%。QAML在所有报告期限内的绝对回报也均居首位。独立策略袖套的风险调整后表现领先者会轮换：Dynamic Metric Pool在五年和三年期领先，Core Metrics在10年期领先，ML则在一年期和年初至今领先。Morgan Stanley因此认为，组合的价值来自互补输入带来的更强复利，而非证明每个策略袖套都能持续独立跑赢。 ML提供最具差异化的组成部分。Core Metrics与Dynamic Metric Pool的回报相关性为0.93，而ML与两者的相关性均仅为0.33。QAML Composite与Quality的风格相关性最高，为0.35；与Momentum为0.33；与Value为0.26，但报告称没有单一风格因子主导。Barra Momentum中性化测试降低了回报和CAGR/Vol，表明Momentum是历史业绩的重要贡献因素；但中性化后回报仍为正。Morgan Stanley将此视为敏感性诊断而非因果归因，因为因子暴露相互重叠，无法重建零Momentum暴露的反事实组合。 ML模型使用AdaBoost，在滚动12个月和60个月样本、宏观情景与日历季节性下识别能够区分未来跑赢者与跑输者的信号。模型使用50轮boosting和1.0学习率。基本面信号持续重要，但较近期ML选择越来越强调交易活动与市场结构：Share Turnover 252d在2002-2010年间未进入前20，在2011-2020年间的选择频率为20.0%，在2021-2026年间为28.8%。报告提醒，选择频率只是对早期boosting迭代的描述，并非最终因子贡献的衡量标准。 回撤分析促使该机构将ML配置视作组合校准决策。2022年6月至7月期间，QAML各支柱均出现广泛亏损，尽管ML跌幅最大；因此，仅降低ML配置只能提供部分保护。2024年9月至10月，亏损更多集中在ML，使组合对ML权重更敏感。相对于历史50/50 QAML，75% Quantamental/25% ML配置将长期CAGR/Vol从3.27提高至3.33，将全样本最大回撤从-21.8%降至-19.6%，并将2024年最大回撤从-16.5%降至-11.4%。完全剔除ML会进一步将2024年回撤降至-5.9%，但CAGR从23.6%降至21.0%，CAGR/Vol从3.27降至3.12。因此，Morgan Stanley选择75/25作为优选APxJ战略配置，而非普适最优权重。 Adaptive QAML保持选股架构不变，但围绕75/25基准动态调整ML风险。月度ML Risk Score对ML相对波动率、ML回撤风险、ML与Quantamental的相关性以及Momentum/Low Vol因子压力进行等权汇总。该配置仅使用前月末可得信息及其滚动10年分布：风险低于第10百分位时转为50/50；处于中间80%时维持75/25；达到或超过第90百分位时转为100/0。2012年1月至2026年7月期间，该策略有123个月，即样本的70.3%，处于75/25基准；21个月处于50/50；31个月处于100/0。Adaptive QAML取得了与静态75/25大致相近的回报，但波动率和回撤更低；其保护作用在ML集中承压时更明显，在广泛压力下则较有限。尽管如此，Morgan Stanley仍将静态75/25保留为优选基准，等待进一步验证。 实施问题尚未解决。2012-2026年间，静态50/50的月均全账簿换手率为44.7%，静态75/25为36.5%，无ML为33.8%，Adaptive QAML为37.5%。报告指出，较低换手率并不等同于可投资性，因为结果未纳入交易成本、税费、融资、借券、流动性和市场冲击。小盘股纳入IMI股票池可扩大机会集，但也增加流动性、容量和借券约束。不含小盘股的标准APxJ股票池仍显示QAML有效，但其长期CAGR和CAGR/Vol分别降至16.8%和2.0，低于APxJ IMI股票池的23.6%和3.3。

分析框架

Morgan Stanley构建行业相对、beta中性的多空回测，在长期和较短期限内比较各QAML支柱及其组合，随后检验相关性、风格暴露、回撤和不同ML权重。报告还单独测试ML参数稳健性，使用历史风险评分检验动态配置，并指出需在APxJ交易摩擦下验证税费前结果。

方法论与常识提炼

• 量化/因子/组合理论多因子模型

  多因子Quantamental选股

  Core Metrics对Value、Quality、Momentum、Growth和Low Risk信号取平均，而Dynamic Metric Pool在相关性和离散度控制下加入分析师建议指标。

• 量化/因子/组合理论风格因子分析

  相关性与Barra风格暴露诊断

  报告比较组成部分相关性，以及对Quality、Value和Momentum代理因子的敏感度，以识别QAML回报来源的差异化程度。

• 其他

  AdaBoost机器学习分类

  ML策略袖套依次选择能够区分未来跑赢者与跑输者的信号，并加大此前轮次中难以分类观测值的权重。

• 其他

  自适应ML风险预算

  由ML波动率、回撤、相关性及因子压力构成的标准化评分，决定下一个月度再平衡时提高、维持或降低ML配置。

标的映射与对比

研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。

• QAML Asia strategy

  在APxJ实施的beta中性多空选股框架，结合Quantamental与ML策略袖套。

  优势

  历史绝对回报在各报告期限内最强；ML带来差异化信息。

  劣势

  业绩为税费前，且各组成部分的风险调整后表现领先者会轮换。

  对比

  优选75/25配置相较原始50/50改善了历史收益风险和回撤指标；无ML可进一步降低回撤，但会牺牲回报和分散化。

  风险

  ML特定回撤、广泛因子压力、换手率、流动性、借券、融资、市场冲击和容量约束。

关键数据

• QAML Composite长期CAGR23.6%自2002年以来至2026年7月31日的税费前APxJ IMI回测；高于所有独立策略袖套。
• QAML Composite长期CAGR/Vol3.27原始50% Quantamental / 50% ML配置。
• 优选75/25配置CAGR/Vol3.33相比原始50/50 QAML的3.27。
• 全样本最大回撤-19.6%优选75/25配置，相比50/50的-21.8%。
• 2024年最大回撤-11.4%优选75/25配置，相比50/50的-16.5%。
• ML与各Quantamental支柱的相关性0.33相比Core Metrics与Dynamic Metric Pool之间的0.93相关性。
• 月均换手率36.5%2012-2026年的静态75/25配置，相比50/50的44.7%和Adaptive QAML的37.5%。

影响与含义

报告认为，评估ML应关注其增量分散化和信息贡献，而不只是独立回报。对于APxJ，Morgan Stanley倾向于低于原始50/50设计的战略ML风险预算；当ML特定压力升高时，Adaptive QAML或可进一步提升风险效率，但仍需进行税费后和稳健性验证。

风险

• 所有历史结果均为税费前，可能无法在APxJ交易成本、税费、融资、借券和市场冲击假设下维持。
• 小盘股纳入可能增加流动性、容量、市场冲击和借券约束。
• Adaptive QAML并非通用回撤对冲工具；当所有支柱出现广泛压力时，其保护作用更有限。
• 国家、货币、行业和因子暴露仍是该地区多空实施中需要关注的诊断项。
• 当前回测无法推断容量，需进行证券层面的流动性和市场冲击分析。

后续跟踪

• 在APxJ交易成本、税费、融资、借券和市场冲击假设下，对50/50、优选75/25和Adaptive QAML配置进行税费后测试。
• 跨回看窗口、状态阈值和切换频率的Adaptive QAML前瞻稳健性。
• APxJ特定收益率和收益率曲线情景输入能否改善现有美国利率代理。
• Adaptive QAML的风险降低与其增量换手率之间的经济权衡。
• QAML及ML风险校准从APxJ扩展至Emerging Markets。