改进聚合算法选基与择股能力因子选基方法对比研究报告：Trader Company算法、Selectivity因子选基.pdfVIP

[Table_main] 基金研究类模板 报告日期：2022 年07 月19 日 基 金 Trader-Company 算法与Selectivity 因子选基应用 研 究 ──改进聚合算法选基与择股能力因子选基方法对比研究 金 融 风险提示：本文结果基于历史数据建 工 模推算，未来实际情况的不确定性与 程 报告导读 模型推测结果存在偏差，不作为投资 研 本文使用Trader-Company 聚合算法来甄选被动型基金，使用Selectivity 参考建议。 究 [Table_relate] 择股能力因子来甄选主动偏股型基金。回测显示，各类基金优选组合表 相关报告 ｜ 现均好于沪深300 指数基准。 基 金 Trader-Company 选基方法在被动指数型基金上表现较好，2015 年以来 研 基金优选组合年化收益率达 10.18% 。Selectivity 因子选基方法在主动偏 究 股型基金上表现优异，2015 年以来偏股混合型基金优选组合累计净值 ｜ 达2.38 ，灵活配置型基金优选组合夏普比率达0.84 。 基 金 报告摘要 选 ❑ Selectivity 因子选基 择 基于净值数据的Selectivity 因子可以衡量主动基金经理择股能力。该因子代表 了基金经理在资产配置时的自由程度。本文使用双重因子排序法进行主动偏股 型基金优选。Fama –French 五因子与基金回报数据回归可获取基金的风险调 整绩效(Alpha)及择股能力指标（1-R 方）。Selectivity 因子首先筛选出偏离样本 池整体表现的特异性基金列表，其后Alpha 因子作为评价基金获取超额收益能 力的指标可以进一步区分择股能力的高低。 ❑ 改进Trader-Company 聚合算法选基 Trader-Company 算法尝试模拟了金融机构和属于它的交易员角色之间的互动 情形。市场上潜在的Alpha 往往可以用简单的数学形式表达，Trader-Company 算法通过不同基金之间的净值关系来构建Alpha 的表达式作为Trader 角色。该 [table_research] 方法同时引入了Company 角色，即对所有Trader 的历史业绩进行持续跟踪， 并对Trader 进行迭代更新，从而实现多个投资组合向量的整合。本文根据Trader 得分指标对 Trader-Company 基础算法做出了改进，并应用于被动型基金的优 选过程。 ❑ 基金优选组合回测结果对比 本文在2015 年初至2022 年6 月份的被动指数型和主动偏股型基金上进行了两 种选基方法的验证。回测结果表明Selectivity 选基方法可以有效测算出基于基 金特异性的回报波动。普通股票型与灵活配置型基金近 7 年平均胜率均在0.6 以上，灵活配置型基金组合回测年化收益达14.08%。改进后的Trader-Company 选基方法在被动指数型基金上有着更好的相对收益，累计净值达 1.97，年化收 益高出Selectivity 选基方法4.73% 。 证 券 研 究 报 告 1/26 [table_page]