人工智能在选股与ETF轮动上应用.pdf

人工智能在选股与ETF轮动上应用。深度学习在量化应用长期以来是投资者关注的重点。然而在 2024 年年初的 A 股市场中相关因子出现较大回撤，引发了我们对模型的重新思考。在我们先前 的报告中将 GRU 模型运用在风格平衡的股票池，回测表现相对较好，分析其 超额的来源主要我们在前端做了严格的基本面的筛选。在本篇报告，我们尝试 将 GRU、PatchTST、Transformer、TSMixer、ModernTCN 进行多模型集成构 建量价因子，并探讨集成因子在选股及 ETF 轮动上的应用。

集成因子测试结果对比

集成的量价因子在全 A 股票池、各大宽基指数（中证 1000、中证 500 和沪深 300）、风格池和基金重仓股等不同测试场景中，其单因子的区分度都非常高， IC 的均值和中位数均在 0.07 以上，IC 大于 0 占比均大于 70%，同时不论是 10 分组还是 20 分组的线性区分度均非常显著。 我们发现在基金重仓股上的测试结果略优于在风格基准池中的测试结果。IC 均值和中位数由 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。两个池子的选股策略 2018 年来均 能稳定跑赢对比的基准，风格池选股策略 2018 年来年化收益 12.1%，最大回 撤 23.4%，相对收益 8.9%。基金重仓股策略 2018 年来年化收益 13.5%，最大 回撤 27.8%，相对收益 12.1%。

ETF 基准池中测试

在 ETF 轮动策略中，将 ETF 分为宽基风格与行业主题两大类，使用个股的集 成因子对每只 ETF 进行评分，筛选得分最高的 10 只 ETF 构建轮动策略。宽 基、风格 ETF 轮动策略在 2019 年 01 月 01 日至 2024 年 2 月 29 日期间年化收 益率达到 11.7%，大幅超过基准（沪深 300）的 3.1%，阿尔法达到 8.5%。而行 业、主题 ETF 轮动策略年化收益率为 16%，阿尔法达到 12.8%，但在大部分 年份中，都实现了对基准的超额收益。