诺安基金张堃：人工智能浪潮将至 寻找价值洼地

 张堃，硕士，具有14年证券从业经验，管理基金长达6年以上。曾任职于国泰君安证券、长盛基金，从事策略研究分析工作。2014年5月加入诺安基金，历任基金经理助理，2015年8月至2020年4月，任诺安新动力灵活配置混合型证券投资基金的基金经理，2020年4月起，任诺安先锋混合型证券投资基金的基金经理，2020年9月起，任诺安优选回报灵活配置混合型证券投资基金的基金经理。

  基金经理的投资风格，很大程度上是个人从业路径的演变结果。在这方面，诺安基金新生代科技选手、诺安优选回报混合的基金经理张堃提供了颇具代表性的“样本”。和大多数行业研究员出身的基金经理不同，张堃是以策略分析师身份进入投研圈的。这一背景，使张堃成为一位全市场选股选手。不过，在多年投资经历的打磨下，张堃的投资认知也在不断更新，现在的他倾向于爆发性强的新兴行业赛道。


  策略分析背景是如何使他成为全市场选股选手的？在新兴行业赛道中，他是如何相中“人工智能”“万物互联”这两大领域的？针对这些问题，中国证券报记者近日与张堃进行了一场面对面的投资访谈。

  解决两大基础问题

  中国证券报:与很多基金经理不同，你是从策略分析师进入投研圈的，策略分析在投研体系中扮演怎样的角色？

  张堃:我有个比较形象的比喻:市场行情的起伏好比坐电梯，牛市的时候很多人往高处升。有人认为是靠俯卧撑上去的，有人认为是靠跑跳上去的，但实际上都是因为电梯升上去了，熊市则是电梯下来了。策略分析师的主要工作则是判断“电梯”的升降方向，这是现代投资研究体系的基础所在。

  具体来看，策略分析所要解决的，是“行情识别”和“行业比价”两大基础问题。首先，分析师会通过把握宏观经济走势和行业景气度，以及不同行业的周期变化特征和在经济中的所处位置，来预判未来一段时间内的行情趋势。在此基础上，再通过流动性和市场整体估值等因素，对各个板块的投资性价比做出判断，并给出资产配置建议，如超配或低配等。

  中国证券报:策略分析的依据有哪些市场指标？能否举个具体例子？

  张堃:策略研究的指标看似林林总总，但大体可归结为“经济”指标和“货币”指标两类。在现实经济运行中，“经济”指标会滞后于“货币”指标，因此，策略研究对“货币”指标的重视会高于“经济”指标。最重要的货币指标是美联储货币政策，通胀水平、大宗商品价格等指标都是在此基础上衍生出来的。

  比如，我们在2020年疫情以来的这轮行情中就明显看到，美联储在货币宽松之后，股票的估值修复行情随之而至；当估值上升到一定阶段时，宏观经济才开始复苏，随后大宗商品价格开始走高，通胀担忧随之而来。之后，流动性收紧预期就开始出现了。

  中国证券报:策略分析师的从业背景，对你搭建投资框架有哪些影响？

  张堃:早期时，我在券商和基金公司都做过策略分析师，宏观经济分析思维的确会对我后来的投资理念产生影响。

  不难发现，策略分析的思路和管理基金组合是一致的。最重要的一点是，策略分析师既要对不同赛道的投资性价比做出判断，也要有明显的前瞻性视野，一般能覆盖到中短期行情区间。甚至，特别优秀的策略分析师的预判，能够看到三年以上的长期趋势。只不过策略分析没有深度到个股配置层面。

  正因如此，与具体行业分析师相比，策略分析师天然就具有全局视野，即从宏观趋势和国际经济大势去把握投资方向，抓住时代大机遇。在一片肥沃的土地里，只要是健康的种子，都能结出丰硕的果实。那么，在丰硕的果子里挑个头，难度自然就会小很多。

  中国证券报:从策略分析师转变到基金经理后，你对策略分析的认知有了哪些深化？

  张堃:就投资而言，仅有自上而下的框架是不够的。

  策略分析师出身的投资者，天然会对市场波动有着高度敏锐性。相应的，由研究转入投资时，自然会尝试波段投资，依靠趋势分析进行高抛低吸。我当时也尝试过一段时间，但事后来看那种投资方式的效果并不理想。一方面，那种方式的投资难度很大，需要时刻关注盘面变化，时间投入成本很高；另一方面，在事后看来，宏观趋势的每一步都是清晰的。但站在当下，这种策略分析只能把握住一个模糊大方向，由此做出的投资决策，胜率并不是最大的。

  “上下验证”提高投资胜算

  张堃2014年5月加入诺安基金任基金经理助理，2015年8月正式开始管理组合，成为基金经理管理资金后，张堃开始朝着自下而上的路径去完善投研框架。

  中国证券报:2015年以来，A股市场历经了新一轮的牛熊转换。这样的市场经历对你有哪些影响？

  张堃:入市以来，我经历过A股两轮大波动，一次是2015年下半年的单边下跌，一次是2018年的金融去杠杆熊市。现在回过头才发现，仅在牛市里赚钱并不能证明一个投资框架的有效性。因此，在管理资金以后，我的研究逐渐往微观基本面方向转，逐渐形成自上而下和自下而上相结合的投资框架。

  在我看来，策略分析所解决的是“趋势”问题，基本面分析则是解决“价值”问题。两者结合起来，在大趋势中寻找价值洼地，则是投资所要解决的问题。因此，一个有把握的投资决策，不仅有着宏观分析和微观视角支撑，宏观分析和微观视角之间往往也是可以相互验证的。

  中国证券报:这种宏微观相互验证的思路，在平时调研中是如何展开求证的？

  张堃:比如，从经济方向和产业趋势来看，某个行业具备很大的发展空间，同时，在公司调研上，又能看到公司订单持续增加，公司季度业绩增速持续走高，从而达到“上下一致”，这基本上能判断是一个值得投资的公司，这样的投资也是高确定性的，胜算的把握比较大。

  反之，如果宏观分析没能在微观层面得到验证，或者公司基本面缺乏明显的产业景气度支撑，就说明这不属于大的行情机会，或者决策过程中还存在有待进一步廓清的盲区。

  这时就需要进行决策复盘，究竟是产业趋势分析的方向偏了，还是公司基本面没研究透彻。比如，如果自下而上去看，一家公司的基本面很好，但在自上而下维度缺乏有效逻辑支撑，那这家公司的业绩增长未必是可持续的，而仅仅是脉冲式的、阶段性的，投资这样的公司也必然是不省心的。

  这样的例子在市场上并不少见，发生于2014年前后的智能手机行情就是很好的例子。从2010年开始，智能手机大面积普及的趋势已经慢慢出来，到2014年时我们就能看到，智能手机销量在不断增长，产业链的各家公司订单持续创新高，最终在这个趋势中走出一批大牛股。

  中国证券报:你用“上下相互验证”的思路找出“好公司”后，如何看到“好价格”？对个股估值因素如何理解？

  张堃:的确，估值对投资效果的影响程度并不亚于业绩。但估值的影响因素纷繁复杂，除了显而易见的盈利增速外，商业模式、企业家精神、行业景气度、产业链地位等因素，也需要综合考虑。

  具体来看，盈利增速对估值的影响是短期的，而行业景气度、产业链地位等因素，则是长期估值的主要影响因素。我们在近几年看到某食品饮料龙头股，年业绩增速在20%水平，但市场曾一度给到100倍的估值水平。很大程度上，这主要是得益于该公司的渠道话语权和行业地位。像人工智能、大数据等新兴行业，不少缺乏利润的企业都有着高达几百倍的估值，也是从其未来发展趋势和行业景气度而来的。

  布局两大科技赛道

  中国证券报:高成长赛道近年来备受市场追捧，也是公募聚焦的主流赛道，你的布局主要聚焦哪些细分赛道？

  张堃:近年来在经济转型升级背景下，国家在支持科技创新方面的力度不断加大，特别是芯片、新能源、人工智能等赛道，成为重点鼓励发展的行业。从行情切换来看，大资金追逐高确定性的成长赛道，特别是中小市值或腰部以下市值公司，会是未来一段时间内的主流投资趋势。

  在高成长赛道中，我最看好的是“人工智能”和“万物互联”赛道，目前的组合管理也聚焦这两大领域。今年以来，这两个赛道并不是最耀眼的板块，他们的主升浪还没到来。但这类科技公司的最好投资时点，恰恰是在行业渗透率较低的时候，比如在2%到50%阶段进行布局，能大概率捕捉到快速发展带来的超额收益。

  中国证券报:你认为这两个赛道的大爆发何时到来？

  张堃:行业渗透率的迅速上升，需要具备一定的必要条件。以人工智能行业为例，当以下三点要素齐头并进时，可能就是人工智能行业爆发之时。类似于十几年前的互联网，这种爆发会极大改变各行各业的生态，其带来的投资价值也是巨大的:

  一是数据量要足够大。人工智能要训练出一套成熟的算法，就必须要提供足够多的数据。比如，用AI来做图像识别，要达到高精确度的话，机器学习的数据量要在几百万张图片以上。从目前来看，我们已处于数字化环境中，无论是手机还是电脑，每天都能产生大量数据，且都有相对固定的场景(社交、购物、运动、休息等)，因此数据量并不会构成人工智能的发展阻碍，但某些细分领域的数据，如健康管理等，需要进一步丰富。目前，已有相关公司运用这些数据进行个性化平台开发，以此给出针对性的商业解决方案，提升行业效率。

  二是算力要继续提高。在算力不足情况下，数据量一旦增大，计算机的显存就不够了。近年来，业内持续推出高速运转的GPU运算芯片，这是一个很大的进步。随着算力逐渐提升，人工智能的数据训练效率会越来越高。

  三是深度学习算法水平提升。深度学习的理论基础是在2004年前后提出来的，在这之前生物学界在算法领域的发展，大约已停滞了二三十年之久。深度算法的原理类似于人类大脑神经元，极大提高了机器的识别度，特别是对语言和图像的识别能力，从此前的80%上限，提升到了90%层面上来。未来，算法领域的持续进步，将会成为人工智能产业爆发的关键一步。

  中国证券报:截至目前，上述相关条件在中国的发展情况是怎样的？哪个环节的投资趋势较明朗？

  张堃:截至目前，中国已经出现了若干家平台型公司，他们在自家平台上对外开放数据，发展趋势较明朗。未来能胜出的巨头，有可能从目前的公司中诞生。

  万物互联的产业链，从上游到下游的排序分别是传感器、通信模组、数据平台。从投资来讲，前端的传感器或通信模组弹性较大，业绩爆发性较强；但确定性最高的环节是数据平台，因为竞争壁垒较高，且有着明显的规模效应。