人工智能在選股與ETF輪動上應用.pdf

人工智能在選股與ETF輪動上應用。深度學習在量化應用長期以來是投資者關注的重點。然而在 2024 年年初的 A 股市場中相關因子出現較大回撤，引發了我們對模型的重新思考。在我們先前 的報告中將 GRU 模型運用在風格平衡的股票池，回測表現相對較好，分析其 超額的來源主要我們在前端做了嚴格的基本面的篩選。在本篇報告，我們嘗試 將 GRU、PatchTST、Transformer、TSMixer、ModernTCN 進行多模型集成構 建量價因子，并探討集成因子在選股及 ETF 輪動上的應用。

集成因子測試結果對比

集成的量價因子在全 A 股票池、各大寬基指數（中證 1000、中證 500 和滬深 300）、風格池和基金重倉股等不同測試場景中，其單因子的區分度都非常高， IC 的均值和中位數均在 0.07 以上，IC 大于 0 占比均大于 70%，同時不論是 10 分組還是 20 分組的線性區分度均非常顯著。 我們發現在基金重倉股上的測試結果略優于在風格基準池中的測試結果。IC 均值和中位數由 0.08 和 0.084 提高到 0.081 和 0.088，IC 大于 0 占比由 70.3% 提升到 75.2%，年化 IC_IR 由 4 提升到 4.7。兩個池子的選股策略 2018 年來均 能穩定跑贏對比的基準，風格池選股策略 2018 年來年化收益 12.1%，最大回 撤 23.4%，相對收益 8.9%?；鹬貍}股策略 2018 年來年化收益 13.5%，最大 回撤 27.8%，相對收益 12.1%。

ETF 基準池中測試

在 ETF 輪動策略中，將 ETF 分為寬基風格與行業主題兩大類，使用個股的集 成因子對每只 ETF 進行評分，篩選得分最高的 10 只 ETF 構建輪動策略。寬 基、風格 ETF 輪動策略在 2019 年 01 月 01 日至 2024 年 2 月 29 日期間年化收 益率達到 11.7%，大幅超過基準（滬深 300）的 3.1%，阿爾法達到 8.5%。而行 業、主題 ETF 輪動策略年化收益率為 16%，阿爾法達到 12.8%，但在大部分 年份中，都實現了對基準的超額收益。