智能化选基系列之七：基于AI预测中的个股Beta信息构建ETF轮动策略-240703-国金证券-18页

VIP专享

3.0 复利王子 2024-07-14 102 20 1.32MB 18 页免费

侵权投诉

敬请参阅最后一页特别声明

个股 Alpha 因子聚合到指数的方法探究

前期构建的 AI 选股框架中，我们以GBDT 和NN 两类模型分别针对不同类型特征数据集所得到的模型在不同宽基指数

上都有较强的预测效果。为贴近市场规律，对模型重新进行周度预测训练后，经过中性化的因子样本外 IC 均值为

11.49%，多头年化超额 49.24%,多头超额最大回撤 3.73%。

在个股 Alpha 因子聚合到指数的过程中，我们探讨尝试了是否针对因子进行中性化以及个股因子的不同加权方式比

较。最终发现，由于指数最终的收益走势直接由其成分股权重决定，使用该权重进行聚合天然有相对较高的稳定收

益。而在因子中性化的问题上，由于个股 alpha 因子中会蕴含一部分行业、市值等因素的 beta，若将因子中性化后

再聚合将使这部分信息损失，进而难以获取有效的指数层面因子，因此使用原始的 Alpha 因子更符合逻辑。在不区

分指数类型的情况下，因子的 IC 均值为 11.68%，多头年化超额为 35.97%，多头超额最大回撤为 14.51%。由于指数

本质相当于买入了一篮子股票，部分个股因子 Alpha 可能会在聚合过程中相互抵消，进而削弱了指数因子的轮动效

果。但因子整体依然具有显著的超额收益，考虑扣费后，相较于所有指数等权作为基准，轮动策略年化超额 15.27%，

超额最大回撤 17.60%。

人工智能 ETF 轮动策略效果测试

进一步考虑，若希望通过 ETF 构建宽基指数轮动，行业主题轮动或概念风格轮动使用该方法是否可行，我们将上述

因子在三类指数中分别进行测试。发现虽然规模类宽基指数数量相对较小，但因子 IC 均值依然保持在一定水平，只

是年化超额收益有所削弱。而因子在行业主题类指数中在几乎同样的回撤之下获得了 27%左右的年化超额，说明在保

证一定截面宽度的情况下，使用此类方法进行行业主题轮动依然有效。

最终，我们考虑策略的实际可投资性，在每个指数在当期所有对应 ETF 中筛选出规模最大的一只作为最终的投资标

的。得到的人工智能 ETF 轮动策略相较于等权基准年化超额 17.35%，超额最大回撤 11.61%，信息比率 1.72，同时相

比常见的比较基准均有明显超额，相较于万得偏股混合型基金指数的年化超额收益率达到 10.08%。再进一步考虑了

投资规模限制、投资 ETF 数量限制后，策略超额收益依然稳健。

风险提示

1、以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在时效的风险。

2、策略通过一定的假设通过历史数据回测得到，当交易成本提高或其他条件改变时，可能导致策略收益下降甚至出

现亏损。

金融工程专题报告

敬请参阅最后一页特别声明

扫码获取更多服务

内容目录

一、人工智能选股回顾............................................................................ 4

二、ETF 指数投资现状 ............................................................................ 6

三、自下而上的人工智能 ETF 轮动策略构建.......................................................... 8

1. 聚合.................................................................................. 9

2. 筛选................................................................................. 13

四、TopN 人工智能 ETF 轮动策略 .................................................................. 16

五、总结....................................................................................... 16

风险提示....................................................................................... 17

图表目录

图表 1： GBDT+NN 机器学习选股框架................................................................ 4

图表 2：模型训练细节探讨内容 ................................................................... 4

图表 3：模型选用特征数据集 ..................................................................... 4

图表 4： GBDT+NN 沪深 300 指增策略净值走势（2023 年以来） ......................................... 5

图表 5： GBDT+NN 中证 500 指增策略净值走势（2023 年以来） ......................................... 5

图表 6： GBDT+NN 中证 1000 指增策略走势净值（2023 年以来） ........................................ 6

图表 7： GBDT+NN 因子主要指标.................................................................... 6

图表 8： GBDT+NN 指增策略主要指标（2015 年以来） ................................................. 6

图表 9：公募 FOF 持仓中 ETF 占比变化 ............................................................. 7

图表 10：保险 FOF 持仓中 ETF 占比变化 ............................................................ 7

图表 11： ETF 基金指数表现 VS 主动权益基金表现.................................................... 7

图表 12：各年份 ETF 日均成交额变化（单位：亿元） ................................................ 7

图表 13：上市 ETF 基金总规模与数量变化 .......................................................... 8

图表 14：股票型 ETF 分类型数量与规模统计（2024 年6月）.......................................... 8

图表 15：自上而下的人工智能 ETF 轮动策略构建框架 ................................................ 9

图表 16： GBDT+NN 因子值全 A周度调仓主要指标..................................................... 9

图表 17： GBDT+NN 因子多头超额净值............................................................... 9

图表 18：筛选有效指数数量变化走势（单位：个） ................................................. 10

图表 19：筛选有效指数分类占比（单位：只） ..................................................... 10

图表 20： GBDT+NN 聚合指数因子主要指标.......................................................... 11

图表 21： GBDT+NN 聚合指数因子多头超额净值走势.................................................. 11

图表 22：各类型指数典型示例 ................................................................... 11

图表 23： GBDT+NN 聚合指数因子在各类型指数上主要指标............................................ 12

图表 24：规模类指数中近期因子排名前三指数 ..................................................... 12

图表 25： GBDT+NN 指数因子在各类型指数多头超额净值走势.......................................... 12

图表 26：指数轮动策略净值走势 ................................................................. 13

图表 27：指数轮动策略主要指标 ................................................................. 13

金融工程专题报告

敬请参阅最后一页特别声明

扫码获取更多服务

图表 28：人工智能 ETF 轮动策略净值走势 ......................................................... 14

图表 29：人工智能 ETF 轮动策略主要指标 ......................................................... 14

图表 30：人工智能 ETF 轮动策略分年度收益情况 ................................................... 14

图表 31：筛选股票型 ETF 净资产规模中位数和最小值时序变化（单位：亿元） ......................... 15

图表 32：人工智能 ETF 轮动策略净值走势（限制规模 1亿元以上） ................................... 15

图表 33：人工智能 ETF 轮动策略主要指标（限制规模 1亿元以上） ................................... 15

图表 34： Top N 人工智能 ETF 轮动策略净值走势.................................................... 16

图表 35： Top N 人工智能 ETF 轮动策略主要指标.................................................... 16

研报加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载研报到电脑，查找使用更方便

免费 20人已下载

立即下载

标签： #AI #ETF #国金证券

摘要：

敬请参阅最后一页特别声明1个股Alpha因子聚合到指数的方法探究前期构建的AI选股框架中，我们以GBDT和NN两类模型分别针对不同类型特征数据集所得到的模型在不同宽基指数上都有较强的预测效果。为贴近市场规律，对模型重新进行周度预测训练后，经过中性化的因子样本外IC均值为11.49%，多头年化超额49.24%,多头超额最大回撤3.73%。在个股Alpha因子聚合到指数的过程中，我们探讨尝试了是否针对因子进行中性化以及个股因子的不同加权方式比较。最终发现，由于指数最终的收益走势直接由其成分股权重决定，使用该权重进行聚合天然有相对较高的稳定收益。而在因子中性化的问题上，由于个股alpha因子中会蕴含...

展开>> 收起<<

智能化选基系列之七：基于AI预测中的个股Beta信息构建ETF轮动策略-240703-国金证券-18页.pdf

共18页,预览6页

还剩页未读，继续阅读