人工智能在选股与ETF轮动上的应用分析报告.pdf

金融工程

证券研究报告专题报告2024年03月15日

【专题报告】

AI+HI系列（3）：人工智能在选股与ETF

轮动上应用

前言

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相关研究报告

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%《AI+HI系列（2）：PatchTST、TSMixer、

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ModernTCN时序深度网络构建量价因子》

2024-03-11

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《AI+HI系列：GRU网络在风格自适应中的创

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%，最大新与应用》

回撤27.8%，相对收益12.1%。2023-12-04

《量化选股系列——机构情绪与个人情绪》

ETF基准池中测试2023-09-05

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《ChatGLM助力量化选股》

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2023-06-14

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《人工智能助力量化投资——ChatGLM介绍》

2023-06-14

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《基于canslim与FESC的沪深300指数增强策

业、主题ETF轮动策略年化收益率为16%，阿尔法达到12.8%，但在大部分略》

年份中，都实现了对基准的超额收益。2023-03-07