智能化选基系列之七：基于AI预测中的个股Beta信息构建ETF轮动策略-240703-国金证券-18页_952kb

人工智能选股模型（GBDT与NN）在宽基指数上表现良好，重新训练后中性因子的IC均值为1149%，多头年化超额4924%。基于模型构建指数Alpha因子的聚合方法，发现使用原始Alpha因子并采用指数成分权重聚合，可保留行业、市值等Beta信息，获取有效指数层面因子。在无区分指数类型的情况下，因子IC均值1168%，多头年化超额3597%，扣费后轮动策略年化超额1527%。

人工智能ETF轮动策略中，因子在行业主题类指数中表现最佳，IC均值为1148%，超额收益明显。本策略考虑了ETF数量限制和投资规模，年化超额1735%，最大回撤1161%。尽管收益稳健，但历史数据回测存在政策风险和交易成本风险。

ETF投资逐渐受机构认可，公募和保险FOF持仓中ETF占比上升，ETF的市值与数量大幅增长，指数化投资需求增加。ETF的市场表现优于主动管理基金，如万得ETF指数在2022年以来表现好于万得偏股混合型基金指数。

股票型ETF按类型可分为规模型、行业主题型和策略风格型三大类。截至2024年6月，行业主题类ETF数量最多，总规模占优的是规模型ETF，策略风格类ETF规模较小。

AI选股模型结合指数成分权重聚合构建ETF轮动策略，能有效捕捉跨行业轮动机会。测试结果显示该策略综合表现优于等权基准，但面临交易成本上升和市场变化带来的不确定性。

风险提示：模型基于历史数据，存在政策与市场环境变化的风险；交易成本上升或其他条件变动可能导致策略收益下降。