上海
金选·核心观点
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
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。
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。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
