使用机器学习识别基金经理投资能力.pdfVIP

正文目录 1 引言 4 2 数据与变量 5 2.1 数据 5 2.2 基金的异常回报 5 2.3 基金的持仓特征 5 2.4 宏观经济变量 6 3 样本内基金表现单变量分析 7 4 主要分析与讨论 9 4.1 前馈神经网络 10 4.2 最优预测 11 4.3 预测基金异常回报的重要特征 12 4.4 特征重要性与交互效应 15 4.5 宏观经济变量的选择 16 5 总结 18 风险提示： 18 2 / 19 图表目录 图表1 基金的股票特征及其分类6 图表2 投资者情绪时序图7 图表3 CFNAI 时序图7 图表4 基金单变量多空组合异常回报8 图表5 基金单变量多空组合 FAMA 四因子回归结果9 图表6 单层前馈神经网络模型 10 图表7 两种赋权方式 11 图表8 不同赋权方式下的累计异常回报 11 图表9 累计费率与净异常回报 12 图表10 改变变量信息组合对预测能力的影响 13 图表11 多空组合：样本外预测的累计异常回报 14 图表12 使用不同信息下的多空组合表现 14 图表13 异常回报的解释中特征重要性最高的变量 15 图表14 基金特征组与情绪变量的条件均值 16 图表15 不同宏观变量下的多空组合异常回报 16 图表16 多空组合在不同情绪指标分组下的异常回报 17 图表17 情绪指标以及CFNAI 与基金特征变量间的交互效应 18 3 / 19 1 引言 随着资产管理行业迅速增长，截至 2020 年底，美国的共同基金管理资产达到 24 万亿美元，其中超过一半的资产投资于股票型共同基金。过往文献中对于股票型 共同基金的投资绩效研究中有许多结果，有些结论不一致。文献献使用最新手段— —机器学习，重新探讨哪些共同基金特征以及它们持有的股票特征能够有效区分出 表现优秀的基金和表现不佳的基金。结果显示，资金流入和基金业绩动量是唯一两 个能够明显且稳健地帮助区分表现优秀基金的特征。在投资者情绪较高时，基金绩 效在头部和底部的相对比较尤为显著。 文献研究了1980 年至2019 年之间主动型美国股票型基金以及它们所持有的股 票，并计算基金的四因子 alpha 作为基金的异常回报。解释变量包括由基金持仓组 成的46 个股票特征和13 个基金以及