20240315-华创证券-_专题报告_AI+HI系列（3）_人工智能在选股与ETF轮动上应用_35页_2mb

证券研究 报告

报告名称： AI+HI系列（3）：人工智能在选股与ETF轮动上应用
发布日期： 2024年03月15日
分析专家： 秦玄晋、王小川

关键内容总结

一、背景：探索多模型集成模型在量化投资中的应用

由于2024年初A股市场中量化学因子出现较大回撤，本文尝试通过集成GRU、Transformer、ModernTCN、TSMixer与PatchTST五种模型构建量价因子，用于选股与ETF轮动策略。

二、集成模型表现

• 集成因子（Ensemble_factor）测试表现：

  方面	全A股票池	中证1000	沪深300	基金重仓股
  IC均值/中位数	0.084/0.096	0.092/0.094	0.079/0.082	0.081/0.088
  IC>0占比	约70%	79.4%	约70%	75.2%
  年化IC_IR	约4.58	4.78	约3.0	4.7
  分组策略年化超额（中证1000）	27.52%	正收益	N/A

• ETF轮动策略表现（2019.01.01–2024.2.29）：

  • 宽基/风格ETF：年化收益率117%，Alpha 85%。
  • 行业/主题ETF：年化收益率16%，Alpha 128%。
  • 最大回撤分别为29%与21.9%。

三、应用方向及领域

• 选股应用：集成因子分组表现优异，适用于全A、宽基指数及不同股票池（风格池、基金重仓股）。
• ETF轮动应用：构建包含宽基ETF为主的组合，结合DoubleTopK选出Top10，周度调仓。

四、结论与建议

1. 集成因子表现出良好的多市场有效性，尤其在低风险的小盘股环境中表现更具优越性。
2. 宽基与行业主题ETF联合策略具备稳定性（年化高于市场基准）。
3. 股票池的筛选前移基本面筛选应前置以稳控风险。
4. 未来应结合微盘、因子衰减控制等提升策略鲁棒性。

风险提示：

• 本策略基于历史数据回测，不保证未来有效性。
• 市场风格变化，可能存在失效风险。
• 因子浮夸可能被市场中性化，需持续迭代。

注：全文摘要基于原始报告测量数据与观点概括，保留风险提示原文并补充结论部分逻辑归因。