基于卷积神经网络的ETF轮动策略.pdf

基于卷积神经网络的ETF轮动策略。研究背景：境内ETF市场规模创历史新高，指数化投资已成为境内公 募基金行业发展趋势。我们团队于近期发布过《基于卷积神经网络的股 价走势AI识别与分类》等深度学习研究报告，样本外跟踪至今仍旧有 相对稳定的市场表现。ETF具备持仓透明、交易便利、费用低廉等特征。 本报告探索将深度学习因子映射到ETF产品轮动中的效果。

因子构建：通过构建标准化的价量数据图表，设计了卷积神经网络识别 其中价格和交易量的走势形态，将其与未来股价进行建模，从而实现对 未来股价的预测。然后基于个股因子值和权重数据计算权益指数的因子 值，再进一步映射到ETF中。

实证分析：周频ETF轮动模式下，ETF_fimage因子的IC均值为 6.9%,IC胜率为62%，多空年化收益为20.4%，多空年化波动率为 17.01%,多头年化收益为14.4%，空头年化收益为-6.1%。因子分年度 表现稳定，其中截至3月底，该因子2024年初至今已实现约11%的多 空收益。

固定持仓数量组合：等权配置5、10、15和20只ETF，持有不同数量 的ETF组合的回测收益特征基本一致，总体呈现持有较少数量，收益 表现更加突出的特征。持有5只ETF回测收益相对较高，2020年以来 实现约16%的年化收益，年化波动率为25.6%，相比于样本内等权配 置所有ETF的超额收益为14.5%，相比于偏股混合型基金指数年化超 额收益为13.9%。

进一步检验：流通性方面，相对严格的流动性条件会降低多头组的收益 表现。费用方面，持仓5只ETF，在无交易费、双边千一和双边千二的 条件下的回测年化收益分别为19.9%、16.2%和12.5%，年化波动率为 25.6%。