20241024-天风证券-基金研究_海外文献推荐_第294期_4页_284kb

机器学习在基金研究与筛选中的应用分析

这篇报告汇总了三篇机器学习在评估和筛选共同基金方面应用的海外研究文献，主要结论和发现如下：

1. 机器学习与基金经理能力衡量：机器学习技术能够通过分析基金的特征来区分表现优异和不佳的基金，识别出具有净费用异常回报的基金。研究发现基金动量和基金流动是最重要的预测因子，能显著预测未来风险调整后的基金绩效。在高市场情绪或宏观经济良好的时期，机器学习模型推荐的组合表现更佳，且能发现情绪与基金流动、动量间的交互效应。

2. 机器学习筛选基金：基于持仓：该文献结合基金持有的个股及其股票特征，计算基金层面对因子的暴露。基金表现与因子暴露及其相互作用呈非线性关系。提升回归树（BRTs）模型在预测基金表现时优于传统线性模型，解释能力更强，并能捕捉时变的关系，利用短滚动窗口捕捉短期机会。

3. 机器学习能否协助筛选共同基金：研究证实，机器学习算法如梯度提升（GB）和随机森林（RF）可以构建出在样本外具有显著正风险调整收益的基金投资组合，年化超额收益可达42%。机器学习能综合多个基金特征，捕捉与业绩的灵活关系，这是传统模型无法做到的。然而，时间推移下组合表现会下降，应归因于市场竞争加剧和规模经济的影响。

结论：机器学习方法在评估基金经理能力、基于基金持仓预测表现以及直接筛选基金组合方面展现出有效性，相较传统方法更具优势，并能适应时变市场。报告指出，其预测能力在外生环境下尤为突出，但提出需要注意利益冲突，并强调不构成具体投资建议。