20240703-国金证券-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_18页_2mb

AI选股与指数轮动策略总结

一、AI选股框架

使用GBDT和NN模型处理不同类型特征数据集，在宽基指数上取得较强预测效果。模型训练包括特征选择、数据预处理和损失函数优化，结果显示样本外IC均值为1149%，多头年化超额4924%，最大回撤373%。两类模型综合后效果稳定，GHK+NN框架在沪深300、中证500和中证1000指数上IC均值分别为1063%、1045%和1479%，年化超额分别为1493%、1908%和3121%。

二、指数因子聚合

探索因子中性化及加权方式对聚合的影响。结论：使用指数成分股权重聚合更稳定且收益更高，IC均值最高达1168%，多头年化超额最高24920%。因子中性化虽降低市场Beta信息损失，但导致指数轮动机会减弱，建议保留原始Alpha因子。行业主题类指数轮动表现最佳，年化超额达2715%，而规模类指数超额较低。

三、ETF轮动策略效果

基于ALPHA因子构建ETF轮动策略，筛选出299个有ETF跟踪的有效指数。年化超额收益率达1527%，信息比率160，最大回撤1760%。通过TopN方法（如投资前5只ETF），超额收益稳中有升，限制ETF规模可提升策略稳健性。相比等权基准和可比指数（如万得偏股混合型基金指数），超额收益显著，年化超额1735%，信息比率172。

四、风险提示

历史数据回测表明策略有效，但存在政策和市场环境变化风险。交易成本增加可能导致收益下降或亏损。注意事项包括模型时效性和潜在滑点影响。