使用机器学习识别基金经理投资能力

TOC\o"1-2"\h\z\u引言 4数据与变量 5数据 5基金的异常回报 5基金的持仓特征 5宏观经济变量 6样本内基金表现单变量分析 7主要分析与讨论 9前馈神经网络 10最优预测 11预测基金异常回报的重要特征 12特征重要性与交互效应 15宏观经济变量的选择 165 总结 18风险提示： 18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3CFNAI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 181 引言202024—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。19802019alpha4613绪或宏观经济活动的综合指标来代替。文献主要使用人工神经网络模型（artificiallkl（wdlwk，它可以可靠地估计大量变量之间的复杂关系，所有的预测都是样本外的。研究结果发现，基金特征信息中的资金流入和基金动量，是模型内共同基金表现优秀的关键预测因子。107210191%500.25。ChicagoFedNationalActivityIndex（CFNAI）来衡量宏观经济状况，当它与基金特征结合使用时，与情绪一样能够预测最佳和最CFNAICFNAI10-20%资金流量（Flow）BerkGreen（2004）分析结果也可能与基金公司通过营销吸引资金流入导致。但是，由营销引发的资金流入会为基金投资的股票带来购买压力，在需求呈下降趋势时，这将提高股价并提升基金回报。通过资金流与绩效之间的关系，以及通过营销驱动的流入的持续数据与变量数据（A0年1201913275407,158tt-13630基金的异常回报-Carhart（1997）36𝑖,𝑡−:𝑡−1=𝛼𝑖+𝑡−:𝑡−1𝑖,𝑡−1+𝑖,𝑡−:𝑡−1 𝑖,𝑡i在第t，滚动窗口回归允许因子敞口随时间变化。第二步，计算异常回报:𝑖,𝑡𝑅𝑛=𝑖,𝑡−𝑡𝑖,𝑡−1 （2）𝑖,𝑡-0.03%2.00%CarhartCarhart基金的持仓特征Chen、PelgerZhu（2020）461图表1基金的股票特征及其分类《Machinelearningtheskillofmutualfundmanagers》，数据集使用特征空间中的潜在的因子来填补缺失的基金特征，因而对所有407,158/-0.50.513.70.1%的月费率。共同基金的资金流量被定义为：𝑓𝑙𝑜𝑤𝑖,𝑡

=𝑇𝑁𝐴𝑖,𝑡−𝑇𝑁𝐴𝑖,𝑡−1(1+𝑅𝑖,𝑡)𝑇𝑁𝐴𝑖,𝑡−1在整个样本期间，每只基金每月平均约有1.6%的资金流入。宏观经济变量为了研究共同基金的绩效是否与经济状况有关，样本空间涵盖投资者情绪（Bker和l（6CcaoFdilAciviyCA23《Machinelearningtheskillofmutualfundmanagers》，图表3CFNAI时序图《Machinelearningtheskillofmutualfundmanagers》，样本内基金表现单变量分析文献初步探讨了哪些基金特征与共同基金绩效相关，这个分析并不替代后续的完整分析，因为它在样本内进行的，同时忽略了基金特征与基金异常回报之间的关系可能存在重要的非线性关系，以及多个特征之间或特征与宏观变量之间可能存在重要的交互作用效应的可能性。对于这59个特征，根据特征的值将基金的异常回报分为十分位。然后，构建多空投资组合，即排名最高和排名最低的十分位之间的差异。图表4的前两列报告了这些多空投资组合回报的均值和夏普比率，根据夏普比率从高到低排序。星号表示多空投资组合回报均值的显著性检验。（（lw0.104（《Machinelearningtheskillofmutualfundmanagers》，Carhart5R^2都很小（%alphaCarhart图表5基金单变量多空组合Fama四因子回归结果《Machinelearningtheskillofmutualfundmanagers》，主要分析与讨论文献的主要分析旨在预测共同基金的异常回报。与前文分析不同，（表159个特征以及情绪，以及特征与未来基金绩效之间的非线性关系。uKly和X（0𝑖,𝑡+1𝑅𝑎𝑏𝑛=𝑔(𝑧𝑖𝑡,𝑧𝑡)+𝜖𝑖,𝑡−1 （3）𝑖,𝑡+1神经网络g(·)的结构是基于验证样本选择的。它的输入是共同基金特定的特征𝑡𝑡（CA3/4（1/4（前馈神经网络xy𝑦=𝑓(𝑥)𝑧(0)∈𝑅𝐾(0RU结果使得第K维隐藏层的输出层只是隐藏层的线性变换：图表6单层前馈神经网络模型《Machinelearningtheskillofmutualfundmanagers》，6464ChenPelger和GuKelly和集来量化不同信息集的经济效益。适当调整的神经网络可以逼近任何函数关系，它最优预测59图表7两种赋权方式《Machinelearningtheskillofmutualfundmanagers》，8投资于10%得的累计异常回报预测值加权）和的累计异常回报（等权最差的10%将获得（和-93%（等权。图表8不同赋权方式下的累计异常回报《Machinelearningtheskillofmutualfundmanagers》，共同基金的异常回报是可预测的，过去40年的可预测程度在经济意义上较大：1015（10）个基点。图表9的a面板显示了基于不同预测的十分位投资组合的平均费用。虽然那些具有更高预测值的基金收费更高，但费用的差距并不能解释预期回报的差距。事实10%50%10%10%72%10%37%10%-170%图表9累计费率与净异常回报《Machinelearningtheskillofmutualfundmanagers》，预测基金异常回报的重要特征116（749（504555图表10改变变量信息组合对预测能力的影响《Machinelearningtheskillofmutualfundmanagers》，图表014（面板B（报预测模型完全忽略了股票特征基金特征。图表11多空组合：样本外预测的累计异常回报《Machinelearningtheskillofmutualfundmanagers》，（10%（最差10%-9%69%178%的累计188%191%1210%的基金，结果是每月40个基点的回报，夏普比率为0.25。图表12使用不同信息下的多空组合表现《Machinelearningtheskillofmutualfundmanagers》，最后三行显示，当只使用基金动量和资金流量这两个特征中的两个，再加上情基金动量和流。12R210%10%的月度R2R2大幅下降，这表明情绪对于预测高减低异常基金回报至关重要。特征重要性与交互效应SadhwaniGiesecke和Horel和ick（0TN_ttSensitivity(z_k)13图表13异常回报的解释中特征重要性最高的变量《Machinelearningtheskillofmutualfundmanagers》，14（y轴（x轴图表14基金特征组与情绪变量的条件均值《Machinelearningtheskillofmutualfundmanagers》，（Flow）宏观经济变量的选择CFNAI）是否在预测共同基金超额表现方面发挥了类似重要的作用？或者它们是否提供了在（CFNAICFNAICFNAI15图表15不同宏观变量下的多空组合异常回报《Machinelearningtheskillofmutualfundmanagers》，R2CFNAI原因是情绪模型在预测前十分位数和末十分位数基金的实际异常回报时做得更好。CFNAI图表16多空组合在不同情绪指标分组下的异常回报《Machinelearningtheskillofmutualfundmanagers》，160.27%的CAICAI（10%𝑅𝑎𝑏𝑛（z）17CFNAI状态下，基金动量的预测月度差距几乎比低情绪状态高出十个基点。相比之下，CFNAI图表17情绪指标以及CFNAI与基金特征变量间的交互效应《Machinelearningtheskillofmutualfundmanagers》，5 总结文献重新审视了预测共同基金表现的问题，现代神经网络技术发现了强有力的可预测性证据。非线性神经网络方法的一个重要优势是它们能够可靠地估计大量变量之间的复杂函数关系。这在预测主动管理的共同基金的回报方面特别有优势。文献发现的可预测性是实时的、在样本外的、长期存在的，并且在经济上具有实质意义。它适用于费用之前和之后。大部分收益来自于规避那些模型预测为最差表现的基金。然而，这个预测模型也能够识别出即使在费用之后仍然能够产生正向回报的约10-20%的基金。文献确定了两个基金特征，资金流入和基金动量，作为共同基金表现的关键预测因子基金持有的股票的特征在预测未来的异常表现方面并不起到重要作用外，这两个基金特征在投资者情绪高涨时更为重要。也就是说，在情绪高涨时CFNAI（代理变量）都能提高可预测性，但与CFNAI相关的互动效应并不明显。这些结果对于改进共同基金市场委托理论应该是有用的。文献演示了如何衡量对宏观经济状态的依赖关系。最后，引入了一种新颖的用于机器学习算法的互动效应度量，它不仅测量局部斜率，而且测量更具信