“学海拾珠”系列之一百五十六：使用机器学习识别基金经理投资能力-20230830-华安证券-19页_1mb

使用机器学习识别基金经理投资能力

核心内容

本报告探讨了使用机器学习模型，特别是前馈神经网络（Feedforward Neural Network, FFN），来识别基金经理的投资能力。研究基于美国主动管理型权益基金的数据，分析了基金特征、股票特征以及宏观经济变量对基金异常回报的预测能力。

主要观点

• 基金异常回报是衡量基金绩效的重要指标，通过扣除系统风险因子敞口后得到。
• 使用机器学习方法，如神经网络，能够捕捉变量间的非线性关系和交互效应，从而更有效地预测基金表现。
• 在样本外预测中，投资于最佳10%基金的投资策略可以获得72%的累计异常回报，而投资于最差10%基金则获得-119%的累计异常回报。
• 财务特征如基金动量和资金流是预测基金异常回报的关键变量，与投资者情绪存在显著的交互效应。
• 基金特征和情绪变量的结合能产生最佳预测结果，而仅使用股票特征或基金特征的预测效果相对较弱。

预测变量、特征与模型设置

预测变量

• 基金异常回报（基于Carhart模型计算）

特征

• 股票特征：共46个，包括过去收益、财务比率、市场相关性等。
• 基金特征：包括基金动量、资金流、基金规模、成立时间、费用比率等。
• 宏观经济变量：投资者情绪和CFNAI（Chicago Fed National Activity Index）。

模型设置

• 使用前馈神经网络模型，允许变量之间的交互作用和非线性关系。
• 模型输入包括基金特征和宏观经济变量。
• 通过交叉验证选择最佳模型参数，确保预测结果的稳健性。
• 基金被分为十分组，构造多空投资组合进行回测。

关键信息

• 数据来源：美国1980年至2019年的主动型股票型基金数据，共3275只基金，407,158个观察值。
• 基金异常回报：样本中基金的平均异常回报为-0.03%，标准差为2.00%。
• 基金特征：包括基金动量（F_r12.2）、资金流（flow）、基金年龄（age）等。
• 情绪变量：由Baker和Wurgler（2006）提供，用于衡量投资者情绪。
• CFNAI：作为宏观经济活动的指标，用于衡量整体经济状况。

模型结果

• 使用基金动量和资金流的模型预测效果最好，且与情绪存在显著交互效应。
• 仅使用股票特征的模型效果较差，无法有效区分基金表现。
• 基金特征与情绪结合的模型在样本外预测中表现最佳，累计异常回报可达191%。
• 即使在扣除费用后，基金的异常回报仍然具有统计学意义。
• 基金特征（如动量、资金流）对基金表现的预测能力显著高于股票特征。

特征重要性与交互效应

• 敏感性分析：通过计算平均绝对梯度，评估各变量对预测结果的影响。
• 情绪的重要性：情绪是预测基金异常回报的最重要变量之一。
• 交互效应：基金动量和资金流与情绪存在显著的非线性关系，尤其在情绪高涨时，预测能力更强。
• CFNAI的局限性：虽然CFNAI也能预测基金表现，但与基金特征的交互效应较弱，预测能力不如情绪。

宏观经济变量的选择

• 投资者情绪在预测基金表现中起关键作用，其与基金特征的交互效应显著。
• CFNAI在预测基金表现上表现不佳，特别是在区分基金动量和资金流的预测上。
• 情绪指标在模型中不可或缺，删除情绪信息会导致预测精度大幅下降。

结论

• 共同基金的异常回报在样本外是可以预测的，且具有经济意义。
• 基金动量和资金流是预测基金表现的关键变量，与情绪存在显著的交互效应。
• 通过机器学习方法，特别是神经网络模型，能够有效识别基金表现优异的经理。
• 投资于预测的优秀基金，即使扣除费用后，仍能获得显著的异常回报。

风险提示

• 文献结论基于历史数据和海外研究，不构成任何投资建议。