报告摘要
指数投资：充满潜力的模式。近年指数产品发展迅速，但以公募FOF为代表的机构总体配置比例较低。指数投资相对个股投资大幅降低了非系统性风险，更适合配置型投资者。被动指数相对主动基金具有相似的特质风险水平、更全面的机会集、更强的收益延续性，在有明确配置观点的时候为了达到Beta的更高暴露，是比主动基金更优的选择。当然被动指数投资相对主动产品投资而言需要更为坚实的指数投研框架和更为细致的指数评价体系。本报告将尝试探索指标简洁、逻辑清晰、效果显著的一般化指数投资模式。
指数投资：从完善异象捕捉出发。个股的异象收益可否在指数上同样有效？①需要风格中性或者行业中性后才有效的个股异象在指数上大概率无效；②指数的特质收益波动被平滑削弱，特质收益相关的诸如反转等异象在指数上无效；③针对传统异象失效风险，在指数上应用之前还需要进一步完善。我们针对三大传统异象提出了三种基础的捕获方案：
“动量生命周期”：采用换手对动量周期进行识别，提升动量收益捕获效果；
“质量 – 价值”：采用Fscore对价值进行改进，提升价值收益捕获效果；
“超预期盈余”：采用Jump对SUE进行改进，提升PEAD收益捕获效果。
三类模式对广义指数池都有显著二维线性区分度，所构建的策略都能长期稳定跑赢Wind全A，且三类策略收益来源不同，相关性较低，结合能进一步平滑表现。
系统化指数投资思考。二维指数投资模式的可溯源性为主观与量化结合提供了更多可能。本报告所构建指数投资模式全部采用二维分组方式，组合中每个指数都可以反推出清晰的选择逻辑，可作为主观指数投资的Checkbox。本文论证了三类异象在指数层面依然有效，打破了传统因子选股中为了获取异象收益同时控制风险而进行各种约束带来的收益减弱问题，异象捕获的收益空间进一步打开。模式未来具有进一步改进的空间，包括对所采用指标的完善和新模式的开发。
1. 指数投资：充满潜力的模式
指数产品近年规模增长迅速，2019年以来国内公募指数产品规模年均增速达到41%，在所有权益基金中占比维持在17%的水平，覆盖品种不断丰富。从全球视角来看，占比仍有进一步提升的空间。
虽然当前指数产品市场持续丰富，但以公募FOF为代表的国内机构投资者偏好主动产品远胜被动产品。从投资者比例来看，国内指数产品的持有人大部分为个人投资者，占比73%。根据公募FOF产品2021的年报持仓，主动股/债基占比91%，被动股/债基占比仅5%，其中被动权益产品3%。
从投顾机构组合来看，同样更偏好主动产品。我们截取了2022年7月14日部分投顾的高风险组合。可以看到除了第一家外资投顾组合配置一定比例上偏好被动指数以外，国内大部分机构的投顾产品为全主动基金配置。
指数产品当前在机构投资中的占比相对其在权益基金中的占比处于明显低配水平。对主动产品投资的优势在于效率分工：将选股、部分的配置工作交给主动基金经理，更多的从总体配置和Alpha评价角度进行优选，专业的人干专业的事，实现了更高效的投资流程。但是我们将在后文展开说明，指数具有潜在高收益，加大对指数产品的投资能从路径最优（效率最优）向全局最优（收益风险比）更进一步。
1.1 指数投资VS个股投资
1.1.1. 大幅降低非系统性风险
指数与个股最大的区别在于非系统性风险的分散。我们统计了个股和指数除市场、风格、行业以外特质收益的横截面标准差，可以看到个股的平均标准差为11.1%，而指数的标准差仅为3.5%，指数的非系统性风险远小于个股。
其中指数池的选取方面，考虑到尽可能包含A股各类Beta，及更广泛的测试指数特性，我们采用如下指数池：ETF跟踪指数（除宽基）、中信行业指数（一二三级）、Wind概念指数（除不可交易品种），共1000多只。
仅需少数股票进行组合就可以将特质收益波动大幅降低，因此即便是成分股较少的指数一般也不会有太大特质风险。对于11%左右波动率的股票收益序列，假设其互不相关，通过等权配置我们发现随着组合中股票数增加到5只即可将波动率下降一半以上，增加到10只即可将波动率降到3%-4%水平。而一般的指数成分股都在30只及以上，较为细分的行业或者概念指数成分股一般也在5只以上。
1.1.2. 更适合配置型投资者
非系统性风险压缩后的指数其收益来源将更多的聚焦于各类Beta。从而我们可以更多的从增长、通胀、流动性等宏观逻辑和风格、行业、赛道等中观逻辑进行投资。根据近年实证资产定价理论和指数投资的发展，包括各类行业、风格、策略Beta的收益都可以通过一定的指数化技术进行相应的捕捉。
目前所有主流宽基、大部分行业与风格都已有ETF产品覆盖。从配置角度来说工具箱已较为完备，有利于配置型投资者进行更为精准的Beta捕捉。当然相对海外市场也还存在继续开发的空间，如：全市场剔除金融、动量、动态市值、均线策略等指数产品。
1.2 指数投资VS主动投资
1.2.1. 相似的特质风险水平
主动基金的主动管理行为并没有将非系统性风险显著降到更低水平。公募主动股基同样也分散了非系统性风险。一般我们认为基金经理主观对风险的把控和防御能够进一步降低风险。但经过我们的计算，主动股基的月度特质收益平均标准差为3.4%，与指数基本一致。因而从股票特质风险角度来看，指数投资和主动投资没有显著区别。
从Beta风险的角度来说，指数的Beta暴露更为明确和稳定，而主动的Beta暴露更为综合与灵活。在需要高度暴露某一Beta的情况下适合选择指数投资，而面对不确定性时适合选择主动投资。
1.2.2. 更全面的机会集
我们计算了被动指数和主动股基的平均Barra风格暴露时间序列，其异同在于：
主动股基由于基金经理作为人的趋同效应以及相同的激励规则，风格具有系统性的偏离。比如在2014-2017偏中小市值，2018年以来偏大市值，在动量和成长上长期高暴露。而被动指数没有主观成分，因而反映的是全市场各细分板块的平均水平，其包含的标的范围和风格跨度更广，对于主动股基阶段性低配的冷门板块，指数可以作为很好的补充。
1.2.3. 更强的收益延续性
被动指数与主动股基都是个股的动态组合，因而可以采用同一套框架进行收益的分解。我们采用报告《基金ALPHA进化史：公募基金究竟赚的是什么钱？》中的收益分解方法对被动指数和主动股基进行同样的分解，即将收益完全分解为：市场、风格配置、行业配置、已知Alpha、未知Alpha、动态这几项，其中已知Alpha和未知Alpha加总即为总体特质收益。
其中的区别在于指数具有更高频率的持仓披露，从而分解更为准确，同时指数持仓在披露期基本保持不变，几乎不会有基金的动态调仓带来的收益项。
在此分解下我们测试了各项收益来源的延续性。具体的，我们根据各项收益来源过去1个月、12个月的收益动量预测下1个月的收益，计算截面IC均值与ICIR。可以得到两个显著的结论：
- 12个月动量的延续性高于1个月；
- 指数各项收益的动量延续性高于基金。
对于第一个结论，最为显著的是主动基金的特质收益和动态收益。其1个月收益基本呈现反转特征，而12个月收益的动量延续性大幅提升。
对于第二个结论，风格收益、行业收益和特质收益都十分显著。从更直接的角度表述，一般我们认为基金的各项收益延续性是来自能力的延续性，也就是说基金经理因为具有风格配置能力、行业配置能力、选股能力、动态交易能力，从而各项收益过去较高的基金未来收益大概率也高。但上述测试表明，过去较强的指数风格、行业、选股延续性都要高于主动基金。也就是说，市场中（被动指数池中）动量天然就无处不在，而基金经理的收益延续性很大程度上也可能与这种异象有关。
1.2.4. 更强的潜在超额收益
另一个例子同样可以说明指数具有潜在较强Alpha。我们在2021年撰写了报告《基思广益：跑赢赛道ETF容易吗？》。其中我们通过用主动基金净值与赛道指数的回归剥离发现，主动基金2019年-2021年相对其配置的各个赛道平均而言具有明显超额收益。
但由于主动基金配置一般较为均衡，当我们想要获取某个细分Beta收益时，可能找不到相匹配的主动基金。举例来说，2020年下半年到2021年上半年医药中的细分赛道：医疗服务行业表现突出。从配置角度来说，如果以主动股基产品为标的，可以看到很难获得同样的弹性。平均规模大于5亿的38只主动医药主题基金区间收益分布于-1%到23%之间，平均11%，远小于医疗服务指数的50%。究其原因在于主动股基很难高仓位的重仓单一赛道，一般会采取均衡配置，从而难以捕捉到某些更为细化的Beta收益。
因而，当我们有明确配置目标的时候，主动基金并不一定为最优选择，进行指数投资或为更优选择，指数投资具有广阔空间。然而指数投资所需的明确配置观点需要更为坚实的指数投研框架和更为细致的指数评价体系。本报告将尝试对其进行探索，以获得指标简洁、逻辑清晰、效果显著的一般化指数投资模式。
2. 系统化指数投资：从完善异象捕捉出发
2.1. 从个股异象到指数异象
通过上一节分析我们发现，指数具有较强的截面动量效应。因此一个自然而然的问题是：类似动量，个股的各类异象在指数配置上是否都同样有效，还是变得无效？
个股异象的研究汗牛充栋，在Hou, Xue, Zhang的经典论文“Replicating Anomalies”当中搜集了447个异象及其代表因子，并进行了系统性的测试。其将各种论文提出的异象主要划分为6类：Momentum、Value-vs-growth、Investment、Profitability、Intangibles、Trading frictions。个股异象在指数上的复刻可能会遇到如下问题：
1、很多个股上的异象要进行风格中性或者行业中性后才有效，那这样的异象在指数上就大概率无效；
2、指数的特质收益波动被平滑削弱，那么个股的一些如短期反转异象可能无效，上一节测试中也可看到指数1个月特质收益既没有明显反转也没有明显动量效应；
3、单个的异象在个股上就有失效风险，e.g.动量崩溃、价值陷阱等。因此在指数上应用之前，传统异象的捕捉还需要进一步完善。
Lucy F. Ackert和Richard Deaves所著《Behavioral Finance: Psychology, Decision-making, And Markets》总结了完善传统异象捕捉的一些方法：
- 用交易量完善动量投资 —— “动量生命周期”
- 用会计指标完善价值投资—— “质量-价值”
除此之外近10年A股收益较强的主要异象因子为SUE、残差波动率、残差动量等，其他的诸多有效因子也原理相近，其异象收益来源大致相同。
本报告作为系列开篇，将首先重点关注三类主要异象：动量、价值、PEAD。
2.2. 回测指数池选取
为了扩大机会集以及考虑到指数的可交易性，我们选取如下三类指数：ETF跟踪指数、中信行业指数、Wind概念指数，剔除不可投资及成分过少的，剩余共1142个。
指数的基日和成分数据起始日各有不同，有些指数虽然量价数据较全，但成分股数据早年会有所缺失，因而量价信息（自基日起）和持仓信息（自成分股起始日起）的样本长度有一定区别。所有的指数我们都按照其数据（量价/持仓）可得时间开始加入指数池。其中中信行业指数的基日和成分数据起始日期基本都在2004年，因此在我们后文进行回测采用的2010年-2022年区间，指数池总能将全A进行覆盖。只是随着时间推移，会有更多的细分指数和另类维度指数加入到指数池中。
2.3. 指数投资模式一：动量生命周期
在解释“动量生命周期”假说之前，我们首先回顾行业动量的概念。Moskowitz & Grinblatt在1998年的“Do Industries Explain Momentum？”一文中发现个股动量策略在控制了行业动量后收益锐减，而行业动量在控制了市值、BP、个股动量等因素下依然具有显著的超额收益。个股动量大多来源于行业动量。
MSCI同样统计过行业动量因子在不同地区市场中的收益表现，都为长期显著。特别是2020年的2月-4月，表现突出。新一代中国市场Barra模型中同样添加了行业动量因子。
可见行业/板块动量可能是比较容易捕获的指数收益之一。接下来我们解释“动量生命周期”假说。Lee & Swaminathan在1998年的“Price Momentum and Trading Volume”一文中对行为金融学中的“动量生命周期(Momentum Life Circle)”假说进行了实证，发现股票的动量异象受到成交量的影响。早期状态“低成交-高动量”相比晚期状态“高成交-低动量”具有显著的超额收益。
Frank Weikai Li & K.C. John Wei在2016年的“Momentum Life Cycle around the World and Beyond”一文中对21个发达国家/地区和15个发展中国家/地区进行了测试，包括采用美国市场ETF，模型在绝大多数市场中都具有有效性。全球综合来看，1988-2013平均月度超额收益（早期-晚期股票组合）0.91%，显著性t值达到3.79。
我们在所有指数剔除ETF宽基指数中进行“动量生命周期”的回测。指标使用12个月动量和1个月换手对所有指数进行月度分组，并统计不同分组下2011.01-2022.05的年化收益率。从结果来看，指数未来的收益率与当下动量排名、换手排名都有着明显的单调关系。低成交-高动量组合未来都具有最高的年化收益，高成交-低动量组合未来都具有较差的年化收益。动量生命周期在A股指数上同样有效，且最优区间相对其他区间超额显著。
以上回测结果采用的是对动量和换手率同时分组取交集的方式构建。对双变量分组可以有三类方式，各有优劣：
先后分组：比如先选取动量最高组，再选取其中的换手最低组，好处是总能取到标的，但局部换手最低组未必为全局换手最低组，若因子收益线性程度不高，会降低效果；
同时分组：比如同时采用动量和换手对样本分三类，取高动量和低换手的交集，好处是要求较为严格，可能的问题是没有标的满足要求；
双重排序：采用两个指标分别排序再将排序等权加总再排序，可综合考虑两个变量，问题是除了最优组和最劣组，中间的无法区分。
对于“动量生命周期”来说，同时分组和双重排序效果相似，但最优组的表现特征并不完全相同，具有一定的互补作用。
最终我们可选择两种分组方式的并集作为“动量生命周期”下的最优组合。
- 年化收益率：22.3%
- 年化换手率：648.1%
- 相对Wind全A指数信息比率：1.03
从分年表现上来看，“动量生命周期”最优组合年胜率73%，相对Wind全A回撤最大的年份为2014年，回撤-10.5%，相对Wind全A超额最高的年份为2020年，超额50.0%，相对Wind全A的年胜率也在73%。
2.4. 指数投资模式二：质量 - 价值
第二类投资模式我们重点关注价值异象。价值因子通常按照估值指标高低选股，无论对于A股还是美股长期来说便宜的股票确实比贵的股票预期收益高，但便宜只是价值的必要条件而非充分条件。便宜的股票有可能本来就不值钱，也即所谓的“价值陷阱”。
Piotroski在2000年的论文“Value Investing: The Use of Historical Financial Statement Information to Separate Winners from Losers”提出了Fscore来改进价值因子选股的效果。在美股市场1976年到1996年的测试集中，Fscore能够对高BP的股票组合有年化7.5%的增强，而Fscore多空组合年化收益甚至达到23%，证明了健壮的财务报表能够对价值因子投资有所增益。
Fscore由盈利能力、偿债能力、运营效率三大维度的九个指标构成。每个指标都从财务质量角度给公司打分0或1，最终Fscore将在0-9的区间取值。
指数的Fscore通过个股的Fscore根据其在指数当中的权重进行加权，最终的分布主要在2-7分间，集中分布于4-5分。指数Fscore与个股Fscore的区别在于指数Fscore分布更为连续，区分度相比离散的分数更高。
我们首先按照Fscore对指数进行单独分组。从分三组的情况下来看，确实Fscore越高指数表现越好，但是随着分组的变多可以发现Fscore分组并非完全线性，而是有明显的非线性特征。采用Fscore进行股票的分组存在同样的现象。因而Fscore对指数进行质量维度的分组只能做到“模糊的正确”，仅分3组即可。
价值的刻画角度，我们分别采用PB、PB-ROE、PE-g三个价值类因子对Fscore三分组进行再分类。回测2010.01-2022.05的策略年化收益率，可以得到如下结论：
PB分组：高估值-高Fscore表现最好，而低估值-高Fscore表现一般，这与“质量 – 价值”逻辑相悖。其主要原因为A股近年价值因子失效，与低PB策略本就表现较弱有关，再怎么强调质量因素也无效果。因而PB不适宜作为指数价值投资的代表指标。
PB-ROE分组：PB-ROE对Fscore并无进一步区分作用，因而不适合作为指数价值投资模式的代理变量。
PE-g分组：PE-g对Fscore有进一步区分作用，且低估值-高Fscore组最优，高估值-低Fscore组最劣，与“质量 – 价值”的逻辑一致。PE-g适宜作为指数价值投资的代理指标。
我们选择PE-g x Fscore的低估值高质量组作为“质量 – 价值”最优组合。
- 年化收益率：13.3%
- 年化换手率：362.1%
- 相对PE-g x Fscore中最劣组的信息比率：0.80
- 相对Wind全A指数信息比率：0.82。
从分年度表现来看，“质量 – 价值”最优组合相对最劣组合年胜率为91%，相对Wind全A年胜率为73%。组合相对Wind全A最大回撤年份为2011年，回撤-2.70%，相对Wind全A超额最高年份为2010年，超额38.86%。其强弱年份与“动量生命周期”策略相关性较低，回撤也相对小得多，具有一定的互补作用。
2.5. 指数投资模式三：超预期盈余
关于盈余惯性（PEAD，Post-earnings-announcement-drift）最早由Ball & Brown（1968）提出。Rendleman, Jones & Latane在1982年的论文“Empirical anomalies based on unexpected earnings and the importance of risk adjustments”中构造并实证了SUE因子的效果，也即未预期盈利因子。其中𝐸(𝐸𝑃𝑆)由时间序列回归得到。其测试了1972-1980年1000家公司的数据得到了连续的漂移趋势，也就是说上市公司业绩超预期信息在财报公布后股票仍有持续超额收益，是对有效市场假说的重要挑战。
SUE=(EPS-E(EPS))/SEE
PEAD自从提出以来，被学界和市场广泛讨论，提升收益捕获的方式主要有：①对SUE的改进，包括采用财务信息预测、采用时间序列信息预测、采用分析师数据修正、采用Earning Calls信息修正、采用快报预告等信息修正，②从市场反应反推超预期属性，包括事件前后异常收益率EAR、财报公布后市场跳空JUMP。
由于指数池涵盖范围较广，包括了冷门和热门板块，分析师数据覆盖不全，因而我们首先从最基础的SUE因子（以过去八个季度平均盈利为预测）出发进行指数策略的回测。指数的SUE因子由个股按照权重加权得到。
从SUE单分组结果来看，SUE对指数具有稳定的线性区分度。且所分组数越多，高SUE组的年化收益率越高，三分组下高SUE组的年化收益率仅为11.5%，十分组下可达到13.1%。
由于基础SUE采用过去八个季度平均盈利为预测，反映的并非实际市场的未预期盈利，因而我们可以通过叠加JUMP的方式进一步验证财报数据的超预期性。JUMP因子为财报公布后第二天的股票开盘跳空幅度，带有JUMP的高SUE股票超预期性更甚。我们对SUE和JUMP采用先后分组的方式，测算2010.01-2022.05的策略年化收益率结果如下。JUMP确实进一步增强了策略收益，相比纯高SUE组13.1%的年化收益率增强到了19.1%。
更近一步的，如果我们采用双重排序的方式构建SUE x JUMP综合打分最高的组合，策略收益有进一步的提高，年化收益可以达到28.7%，且其相对高SUE组的增强更为稳定。原因在于SUE和JUMP是以两个截然不同的角度刻画未预期盈余，一个是单季度EPS相对历史水平，一个是以市场反应维度刻画，各抓住了部分超预期标的，如果以先SUE再JUMP来分，那么会错失SUE不那么高但JUMP很高的标的，而以双重排序这样等权的方式结合，将抓住更多有效标的。
除了JUMP以外，另一个因子同样对于SUE有进一步的增强，就是现金总资产比率。现金占比越高的公司总体抗风险能力更强，对于景气波动的抵御能力更强，即便未来景气回落其也有更多的筹码去平滑利润。
现金总资产比率=现金/总资产
由于是SUE x JUMP策略效果已经比较极致，再叠加现金总资产比率的指数策略效果难以进一步的提升，因而我们仍采用SUE x JUMP作为“超预期盈余”的最优组合。
- 年化收益率：28.70%
- 年化换手率：524.1%
- 相对Wind全A的信息比率：1.42。
从分年度表现来看，“超预期盈余”最优组合相对Wind全A年胜率为100%。组合相对Wind全A最弱年份为2012年，超额0.38%，相对Wind全A超额最高年份为2015年，超额139.26%。近三年收益都在50%左右。
2.6. 不同指数池效果
以上所有指数投资策略的回测都在所有可投资指数剔除宽基（下文简称广义指数池）后进行，然而这样虽然最大限度的拓宽了可选范围，但是首先策略选到的指数可能具有高度的重叠性；其次在实操中可能没有相应的基金标的而只能采用一篮子股票购买的方式，具有一定的不便性。因而我们在本节就指数池的选取进行一定的讨论，主要两类：
- 广度重叠度平衡性：仅采用中信三级行业指数
- 实操便捷性：仅采用ETF指数（包括宽基）
从广义指数池最新的三期测算的持仓来看，单期持仓指数之间确实存在一定的重叠度，且大部分都为Wind概念指数，难以以基金的方式进行投资操作。
接下来我们首先采用中信三级行业指数池进行回测，指数池共包含指数86个。
“动量生命周期”回测：中信三级行业指数池在策略下，同时分组年化收益率达到28.6%，效果好于广义指数池。由于同时分组下，在没有符合条件指数时策略保持空仓，因而会有零收益月。而双重排序年化收益率为17.7%，策略效果略弱于广义指数池，但在2022年表现较强，截至5月实现了2.86%的正向收益。
“质量 - 价值”回测：先后分组年化收益率达到12.0%，效果略弱于广义指数池，但相差不大。
“超预期盈余”回测：先后分组年化收益率达到20.2%，效果弱于广义指数池，且超额收益稳定性有所下降。
总结来说，①采用中信三级行业指数，“动量生命周期”策略效果大幅提升，可见减少总样本数，在没有机会的时候不“硬性”配置是更好的选择。②其他两类模式表现都有一定的折扣，特别是“超预期盈余”。原因可能在于指数编制没有覆盖到特定细分赛道或者交叉赛道。从上一节的分析可看出“超预期盈余”策略的收益非常集中于最优组，如果没有找到刻画超预期程度最高赛道的指数，收益就会受到影响。
我们再采用ETF跟踪指数池进行回测，指数池共包含指数247个。从分组收益来看，每类策略线性区分度都下降了，最优组最劣组不再呈“对角”特征。可能的原因在于：①ETF所跟踪指数总体对市场的覆盖仍不足，且对于热门板块的重复覆盖较多；②ETF底层数据并非从所跟踪指数基日开始，而是以接近ETF发行期开始，因而指数真正进入候选池时点与ETF发行期相关性很高，如若ETF在板块最热阶段发行，会明显影响策略收益。三类投资模式在纯ETF上的应用还需更精细化的处理。
2.7. 模式融合与应用
三种模式收益来源于不同异象，相互结合能够对冲波动平滑收益。从模式融合的方法上来看，策略加权（按比例分配策略资金）、综合打分（单策略使用双重排序后再综合排序）相对合理，而共同交集的方式相对较难实现。原因在于“动量生命周期”、“质量 – 价值”、“超预期盈余”三者分别偏向于右侧冷门、左侧冷门、热门，交集天然较少。
可以看到相比单一策略，复合策略各年的超额收益更加稳定，策略的年度胜率有所提高。年最大回撤明显下降，策略之间进行了有效的对冲。
我们以“动量生命周期”+“超预期盈余”的等权配比组合与综合打分组合为例，2013年以来（考虑双边0.3%费用）：
- 年化收益率：29.66%、31.86%
- 相对Wind全A信息比率：1.40、1.36
- 相对Wind全A年胜率：90%、90%
3. 系统化指数投资思考
本报告以指标简洁、逻辑清晰、效果显著为目标，探索了一般化的指数投资模式。综合来看以“动量生命周期”、“质量 – 价值”、“超预期盈余”为代表的基础策略即可有效捕捉存在于各类指数间的动量、价值、PEAD收益。
二维指数投资模式的可溯源性为主观与量化结合提供了更多可能。不同于多因子策略，本报告所构建指数投资模式全部采用二维分组方式，组合中每个指数都可以反推出清晰的选择逻辑，可作为主观指数投资的Checkbox。在主观逻辑看好的情况下，作为对买点的检验清单：是否在左侧？是否被低估？是否超预期？
三类指数投资模式突破约束获取了Beta异象。个股异象的获取存在各种风险因素的考量，因而需要加入不同约束（风格行业中性、跟踪误差控制）以提纯暴露并规避不可控风险，但这样的做法同时缩减了收益空间。本文论证了三类异象在指数层面依然有效，打破了约束问题，异象捕获的收益空间进一步打开。
模式未来具有进一步改进的空间。本报告刻画的三种指数投资模式采用最基本简明的指标，而从学术和实证的角度来看，各类模式都有数量繁多的变体可供未来进一步修正和改进。从模式角度来说，资金面、技术面、基本面可开发的指数投资模式远不止本报告的三种，未来有更多的基础模式有待发掘。
遵循解构与系统化的研究范式，寻求投资的基本粒子。没有最好的投资模式，只有最适合的投资模式。不同投资者的知识体系、性格偏好不同，合适的投资工具也截然不同。通过充分分解投资标的获得刻画工具，再系统的使用这些工具，每个人都可以“取其精华，去其糟粕”，提炼独有的投资模式。我们在《宏观逻辑的量化验证》系列报告中主要进行了资产收益驱动的解构，在《基金ALPHA进化史》系列报告中主要进行了主动投资收益的解构，未来我们将继续在《系统化指数投资》系列中进行被动投资收益的解构，进一步补全各类资产基本粒子的拼图。
参考文献:
[1] Hou, K., Xue, C., & Zhang, L. (2020). Replicating anomalies. The Review of Financial Studies, 33(5), 2019-2133.
[2] Melas, D., & Kang, X. (2010). Applications of systematic indices in the investment process. Journal of Indexes.
[3] Moskowitz, T. J., & Grinblatt, M. (1999). Do industries explain momentum?. The Journal of finance, 54(4), 1249-1290.
[4] Lee, C. M., & Swaminathan, B. (2000). Price momentum and trading volume. the Journal of Finance, 55(5), 2017-2069.
[5] Li, F. W., & Wei, K. C. (2016, August). Momentum Life Cycle around the World and Beyond. In Asian Finance Association (AsianFA) 2015 Conference Paper.
[6] Piotroski, J. D. (2000). Value investing: The use of historical financial statement information to separate winners from losers. Journal of Accounting Research, 1-41.
[7] Rendleman Jr, R. J., Jones, C. P., & Latane, H. A. (1982). Empirical anomalies based on unexpected earnings and the importance of risk adjustments. Journal of Financial economics, 10(3), 269-287.
[8] 石川、刘洋溢、连祥斌 《因子投资：方法与实践》
[9] Lucy F. Ackert，Richard Deaves 《Behavioral Finance: Psychology, Decision-making, And Markets》
风险提示：量化测算基于历史数据，如若市场环境发生变化，不保证规律的延续性。
