2024年人工智能在选股与ETF轮动上应用

2024年人工智能在选股与ETF轮动上应用

一、策略回顾及时序网络概述

(一)选股策略表现回顾

在先前的研究报告《AI+HI系列：GRU网络在风格自适

应中的创新与应用》中，我们对A股市场过去六年的风格变

化进行了细致的分析。在该报告中，我们提出了一项创新性

的方法，即采用GRU网络构建选股组合，以适应市场风格的

快速转变。

1、GRU选股策略历史回顾

我们对该策略最近的表现进行简单的回顾：

策略自2023年12月1日开始样本外跟踪，截至2024年

2月29日，市场经历了大幅震荡，特别是中小盘指数和微盘

股指数的大幅回撤，相比之下，大盘股指数表现相对稳定。

具体而言，中证500指数下跌了3.58%,中证1000指数下跌

了12.1%,而上证50指数上涨了1.99%,沪深300指数上涨

了0.57%。针对GUR策略，在样本外的表现显示，自2023

年12月份以来，策略实现了2.33%的绝对收益，而基准中证

1000指数下跌了12.1%o因此，策略在这一时期的超额收益

达到了14.43%o此外，2024年至今(2024.2.29),策略实现

了3.48%的绝对收益，超额收益为12.18%。市场上共有2945

只股票型和偏股混合型基金，该策略排名第249位，即处于

91.5%的分位数，显示了其相对较好的绩效表现。

2、canslim策略历史回顾

截至目前(2024.2.29),该策略的绝对收益率为8.66%,

相对偏股混合基金指数超额收益为15.62%。主要归因于2024

年2月份以来成长因子大幅反弹，canslim策略在2月份上涨

19.71%,相对基准超额8.97%。

3、人气策略历史回顾

截至目前(2024.2.29),该策略的绝对收益率为-5.81%,

相对中证1000指数超额收益为6.29%。人气组合采用同花顺

的人气指标以及基于朝阳永续的分析师研报文本数据构建的

情感因子作为基砧构建的选股组合，组合持仓风格偏小盘股

因此对比基准选择中证1000指数，自23年12月以来组合相

对基准有稳定的超额收益。

(二)行业轮动现象

近年来的市场风格的切换也影响着每个行业的走势变化。

可以看出行业轮动的现象非常明显。可以看出，煤炭、银行、

石油石化及非银金融四个行业是去年下半年至今连续表现较好

的行业，其中煤炭行业是去年下半年和24年至今表现最好的

行业，但在22年下半年和23年上半年煤炭的表现非常一殁。

1、FESC行业轮动策略历史回顾

FESC行业轮动策略2023年12月以来的绩效走势，23年

12月至今（2024229）FESC行业轮动策略绝对收益1%,

相对偏股混合基金指数超额收益5.85%。24年至今

（2024.2.29）,行业轮动策略绝对收益0.18%,相对收益

5.01%o

图表8FESC行业轮动策略2023年12月以来走势

二、深度时序因子集成

（一）模型概述

在之前的报告《AI+HI系列：PatchTST.TSMixer.

ModernTCN时序深度网络构建量价因子》中我们介绍了三个

Patch+通道独立的设计时序深度学习模型，它们分别基于自

注意力、MLP、CNN实现时序信息挖掘。我们在先前报告的

测试发现，不同架构深度学习模型均能挖掘出IC较高的量价

因子，但TOP组的多头收益、回撤表现差异较大，合理的骨

干网络设计可能有助于提高多头组性能；架构差异更大的模

型相关性低。

在嵌入步骤首先将多变量序列分为多个单变量序列，对

单变量序列进行Patch操作，用一个长度为P的窗口在时序

上进行滑动截取，滑动步长为S,Patch处理后原始序列长度

从L变为N,最后将每个长度为P的子序列映射至目标嵌入

维度D,数据形状从初始的(M,L)变为(M,D,N)；

将嵌入处理后的数据输入骨干网络中，基于自注意力/

MLP/CNN架构的骨干网络学习时序维度、变量维度(通道

维度)、特征维度的信息交互，骨干网络输出数据形状为

(M,D,N),对骨干网络的输出进行展平等处理后接入对应任务

的线性层。

因在本篇报告中我们进一步加入GRU模型，考虑多模型

集成的应用。GRU模型属于通道混合模型，通过门控循环机

制学习输入的时序交互，对一个形状为(M,L)的输入样本，通

常取最后一个时间步的GRU输出作为样本的表征，输出形状

为(M,D),其中D为时点token的嵌入维度。

(二)时序因子相关性分析

首先5个单因子间GRU因子与其他四个因子的相关性

略低,GRU与PatchTST、TSMixer.ModernTCN.

Transformer的相关性分别为：0.65.0.59、0.55、0.64o而其

他四个单因子间的相关性均较高(均大于0.8)。归因于我们

在构建GRU因子过程中采用的双任务的方式，首先以收益率

作为目标进行学习，再使用分类任务作为目标继续训练模型。

（三）时序因子测试

对比各因子的IC统计结果相差不大，从数据上来看

TSMixer的测试结果在几个时序因子中效果最佳。IC的均值

和中位数分别为0.099和0.104,年化IC」R为5.976,三个维

度均为几个时序因子中最大值。GRU因子的IC大于0占比

为81.3%,在几个因子中值最大。

（四）时序因子集成及测试

根据上文的介绍我们发现单纯以目前的输入特征来看

（高、开、低、收、成交量、均价），不同的时序模型虽然

架构会有差异，从最终的合成因子的测试结果来看，各时序因

子的相关性非常高，同时IC的测试结果也比较相近。因此我

们采用中性化的方式进行两阶段合成，首先将ModernTCN.

PatchTST、TransformerTSMixer四个相关性很高的因子进

行合成，然后再将GRU与合成因子进行集成生成

Ensemble_factoro

1、全A测试结果

本部分开始我们对集成因子在不同的股票池上进行测试

来探讨其适用域，我们选择的股票池也都是市场近年来关注

度最热的股票池。

2、宽基成分股测试结果

在本部分我们对比因子在三个宽基指数上的测试结果,

同样从IC和分组的结果来分析，另外鉴于沪深300与中证

500的成分股数量较少我们考虑分10组来对比，而对于中证

1000我们依然采用分20组。

3、风格池测试结果

在之前的报告《AI+HI系列：GRU网络在风格自适应中

的创新与应用》中我们提出使用六种风格指数来对市场状态

进行划分，分别为：大盘成长、大盘质量、大盘价值、小盘成

长、小盘质量、小盘价值，过去六年中的市场风格切换也均为

这六种风格的切换。这些指数均采用痔定的财务指标作为筛

选依据，以月度频率从市场中选取50只符合条件的股票进行

组合。

按照我们划分结果来进行切分，近年来的风格切换发生

在21年初，在21年之前市场偏向于大盘质量与大盘成长风

格，而在21年之后市场则是小盘成长与小盘价值占优，其中

小盘价值的表现更加出色。自23年12月份以来市场的风格再

次发生切换，之前持续走强的小盘成长与小盘价值开始回撤,

大盘价值开始走强。我们之前的GRU选股策略在样本外正因

为重仓了大盘价值股，才有了不错的超额收益。

4、基金重仓股测试结果

对于基金重仓股的定义，我们在报告《CANSLIM2.0投

资法——华创金工大师系列成长型之一》中进行过介绍，这

里不再赘述。

2012年以来，每期重仓股平均1657只个股，最大数量为

2615只，最少为820只。其中1657只个股基本涵盖中证800

及中证1000中大多数个股，同时个股也均为机构的重仓股，

对于机构来说满足“可投资”这一要求。

三、应用

通过上文的分析，我们可以看到集成因子

Ensemble_factor在全A样本和小样本（宽基指数、风格池、

基金重仓股）中的分组效果均表现出色。在本部分，我们将深

入研究GRU网络在选股和ETF轮动上的应用。

（一）风格池内选股组合

1、历史回溯

测试方法介绍我们按照如下方法进行回测：数据：2018

年01月01日至2024年2月29日的风格指数基准池。调仓

频率：周度调仓，调仓日为每周的第一个交易日，考虑停牌、

涨跌停对交易影响。仓位控制：等权调仓，同时个股的最大持

仓比例不超过5%。调仓规则：每期选择因子得分最高的

TOP30个股作为下期调仓名单。策略基准：我们使用了风格

基准池作为比较基准。资金在选出股票上平均分配，交易费

用买卖各收千分之1.5o

测试结果

可以发现策略长期来看稳定跑赢风格基准及沪深300、中

证1000。策略组合2018年来年化收益率12.1%,最大回撤

23.4%,换手率58倍。风格基准组合2018年来年化收益率

3.2%,最大回撤31.8%,策略相对收益8.9%。

策略分析

在持仓行业中，银行、化工、交通运输、公用事业、医

药这五个行业的平均仓位最高，均超过6%。其次，机械设备、

汽车、房地产、非银金融等行业持仓比例也较高，其平均仓

位均超过4%。多元化的投资组合策略有助于分散特定行业或

市场风险，从而提高整体投资组合的稳定性和抗风险能力，

从风格基准池的构成来看，其中有一半的成分为大市值

的股票，因此策略的历史持仓有超过一半的仓位为大市值股

票，历史的市值中位数为495亿。统计结果来看，策略在78%

以上的时间持仓个股的市值中位数均在100亿以上。

2、最新TOP30个股名单

从最新一期的持仓来看，其中大盘股的整体总个数24只，

小盘股个数6只。另外，其中不乏很多耳熟能详的机构重仓

股，如建设银行、中国平安、比亚迪、交通银行等。

（二）基金重仓股内选股组合

1、历史回溯

测试方法介绍

我们按照如下方法进行回测：数据：2018年01月01日

至2024年2月29日的基金重仓股基准池。调仓频率：周度

调仓，调仓日为每周的第一个交易日，考虑停牌、涨跌停对交

易影响。仓位控制：等权调仓，同时个股的最大持仓比例不

超过5%。调仓规则：每期选择因子得分最高的TOP30个股

作为下期调仓名单。策略基准：我们使用了风格基准池作为

比较基准。资金在选出股票上平均分配，交易费用买卖各收

千分之1.5o

策略分析

国表50行业分布

累计持仓行业分布

1000%

800%

600%

400%

200%

I□

n

000%

常

正

实

出用

曜器

州有

蚀

嫌

能

醺

森

寺

咐

$II1II阳IIIIIIIEIH

味

廨

蛉

蝴

做

!超

«彝

建

州

於

SK巴W»

阐

Mlr部sr

诵IL4a

弹

村

限

医

比

犷

裳

EB4€K叁

修

普

凯

耕

幡

图

栩

VVffK画

08醐

as循

在持仓行业中，医药、公用事业、银行、交通运输、化

工这四个行业的平均仓位最高，均超过6%。其次，机械设备、

电子、房地产行业持仓比例也较高，其平均仓位均超过4%。

从基金重仓股基准池的筛选条件来看，至少有单只基金

重仓个股或者至少有6家机构持仓该个股，因此股票池中拘

个股市值偏中大盘风格，历史的市值中位数为156亿。统计

结果来看，策略在73.5%以上的时间挂仓个股的市值中位数均

在100亿以上。

（三）ETF轮动

在本部分我们尝试将上述集成模型用于构建ETF多头组

合。考虑到各上市ETF的数量和时间跨度都远小于股票数据,

直接将ETF的量价数据用于训练存在样本过少问题，因此我

们采用自下而上的方法，用ETF半年报、年报披露的股票持

仓信息来获得ETF的因子得分。

1、ETF的筛选条件及分布统计

我们首先根据ETF持仓披露信息筛选披露中股票总权重

大于90%的ETFo

2、ETF轮动策略

我们根据ETF因子得分构建周度组合，在周度截面用

DoubleTOPK选出10只ETF（Topi=10,Top2=15）。

2019年01Z01日至2024年2月29日，宽基、风格

ETF轮动策略在此期间年化收益率11.7%,基准（沪深300）

年化收益率3.1%,阿尔法8.5%。策略最大回撤为29%。2019

年至今（2024年2月290）1248个交易日中，获得正收益的

天数为636天,盈利天数占比:50.9%,盈亏比1.08。

我们选取沪深300指数作为对比基准，从分年收益来看,

2019年来策略的表现比较稳健，除2019年以外每年都有5个

点以上的超额收益。策略在23年整体回撤仅-3.6%,大幅小

于主动型基金的收益中位数；组合2024年至今（2月29日）

绝对收益9.2%,相对基准超额收益5.4%,持续跑赢基准。

行业、主题ETF回溯结果

2019年01月01日至2024年2月29日，行业、主题

ETF轮动策略在此期间年化收益率16%,基准（沪深300）年

化收益率3.1%,阿尔法12.8%。策略最大回撤为21.9%。

2019年至今（2024年2月29日）1248个交易日中，获得正

收益的天数为631天，盈利天数占比：50.6%,盈亏比1.16。

我们选取沪深300指数作为对比基准，从分年收益来看,

2020年来策略的表现比较稳健，20年至23年每年都有6个

点以上的超额收益。策略在19年表现较差，归因于19年初

符合条件的ETF数量较少，策略并没有满仓运行。策略在22

年绝对收益为0.5%,超额21.8%,23年绝对收益-5.5%,策略

在23年回撤大幅小于主动型基金的收益中位数；组合2024

年至今（2月29日）绝对收益5.7%,相对基准超额收益

1.9%,持续跑赢基准。

四、总结

A股市场在23年11月份以来经历了大幅的震荡，特别

是中小盘指数和微盘股指数的大幅回撤，相比之下，大盘股

指数表现相对稳定。我们的GRU选股策略在这段时间表现相

对较好，分析其超额的来源主要在于其选股的股票池，我们在

前端做了严格的基本面的筛选，在筛选过后的风格基准池上

我们再利用GRU因子来进行选股。跟踪结果表明这样的方式

依然适用于2024年至今的市场环境。本篇报告我们尝试将5

个时序模型构建的量价因子进行结合，并探讨人工智能在选

股及ETF轮动上的应用。在全A上的测试结果表明，

Ensemble_factor在全A上的IC均值和中位数相比集成前的每

个单因子结果均有提升，IC均值和中位数均大于0.1,另外其

年化IC」R提升到6.37。

在宽基指数上的测试中，长期来看集成因子在每个宽基

上的区分度均非常显著。在中证1000上的IC测试结果最佳，

IC的均值和中位数均接近0.1,大于0占比高达79.4%,组合

每年对比中证1000指数均有显著的超额，24年至今累计越额

收益已达5%。在中证500上的IC测试结果次佳，IC均值和

中位数均大于0.08,IC大于0占比为74.2%。因子在沪深

300股票池中的IC均值和中位数均可达到0.07以上，IC