20220719-改进聚合算法选基与择股能力因子选基方法对比研究-Trader_Company算法与Selectivity因子选基应用-浙商证券-26页.pdf

[Table_main]基金研究类模板

报告日期：2022年07月19日

基

金

研Trader-Company算法与Selectivity因子选基应用

究

──改进聚合算法选基与择股能力因子选基方法对比研究

：邱冠华执业证书编号：S1230520010003

金：021

融：qiuguanhua@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请务必阅读正文之后的免责条款