截至2024年11月1日，全频段融合因子10月份TOP层相对全A等权基准的超额收益为-2.60%，今年以来TOP层超额收益为11.38%，5日RankIC均值为0.111，自2017年初回测以来TOP层年化超额收益率30.56%，5日RankIC均值0.114。AI行业轮动模型使用全频段量价融合因子对32个一级行业打分并构建周频调仓策略，每周选取5个行业等权配置。模型2017年初回测以来年化收益率为25.59%，相对等权基准年化超额收益率为21.63%，今年以来超额收益率为28.94%。AI概念指数轮动模型使用全频段量价融合因子对72个概念指数打分并构建周频调仓策略，每周选取10个概念指数等权配置。模型2018年初回测以来年化收益率为21.94%，相对等权基准年化超额收益率为12.64%。截至2024年11月1日，文本FADT_BERT组合10月份绝对收益为2.23%，相对中证500超额收益-0.53%，今年以来绝对收益15.31%，超额收益6.61%。自2009年初回测以来年化收益率40.28%，相对中证500超额年化收益32.10%，组合夏普比率1.40。
01 AI行业轮动模型表现跟踪
华泰金工使用深度学习模型对全频段量价数据进行信息提取，得到具有不错选股效果的因子（参见2023年12月8日发布的报告《基于全频段量价特征的选股模型》）。进一步使用行业成分股的量价因子得分对每个行业打分，选择得分最高的5个行业等权配置，构建自下而上的行业轮动策略。AI行业轮动模型能够利用AI模型的特征提取能力，充分挖掘多频段量价数据中的规律，与自上而下策略形成互补。
华泰金工AI行业轮动模型构建方法如下：
1. 行业池：主要为一级行业，其中食品饮料拆成食品、饮料和酒类，有色金属拆成工业金属、贵金属和稀有金属，不考虑综合和综合金融，共有32个行业。
2. 因子：全频段量价融合因子。使用行业成分股的因子得分对每个行业打分。
3. 策略规则：每周最后一个交易日选择模型得分最高的5个行业等权配置，以下周第一个交易日收盘价买入，周频调仓，不计交易成本。
模型未来一周将持有银行、交通运输、煤炭、国防军工、食品5个行业。模型得分前10行业如下。
02 AI概念指数轮动模型表现跟踪
华泰金工AI概念指数轮动模型构建方法如下：
1. 概念指数池：选取Wind热门概念指数，共有72个概念指数。
2. 因子：全频段量价融合因子。使用概念指数成分股的因子得分对每个概念指数打分。
3. 策略规则：每周最后一个交易日选择模型得分最高的10个概念指数等权配置，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边万分之四。
模型未来一周将推荐持有银行精选、保险精选、贵金属、万得微盘股等指数，模型得分前20指数如下。
03 AI主题指数轮动模型表现跟踪
华泰金工AI主题指数轮动模型构建方法如下：
1. 主题指数池：根据Wind的ETF基金分类，选取主题ETF基金跟踪的指数形成主题指数池，共有133个主题指数。
2. 因子：全频段量价融合因子，参见报告《基于全频段量价特征的选股模型》（2023.12.8）。使用主题指数成分股的因子得分对每个主题指数打分。
3. 策略规则：每周最后一个交易日选择模型得分最高的10个主题指数等权配置，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边万分之四。
模型未来一周将持有高装细分50、军工龙头、机器人、上证金融等指数。模型得分前15指数如下。
04 全频段融合因子表现跟踪
华泰金工研报《基于全频段量价特征的选股模型》（2023.12.8）中，首先用深度学习模型训练27个高频因子，得到高频深度学习因子；接着利用多任务学习对低频量价数据进行端到端挖掘，得到低频多任务因子；最后合成为全频段融合因子。
截至2024年11月1日，全频段融合因子10月份TOP层相对全A等权基准的超额收益为-2.60%，今年以来TOP层超额收益为11.38%，5日RankIC均值为0.111，自2017年初回测以来TOP层年化超额收益率30.56%，5日RankIC均值0.114。
华泰金工中证1000增强组合构建方法如下：
1. 因子：全频段融合因子。
2. 组合构建方式：成分股权重不低于80%，个股权重偏离上限为0.8%，barra暴露小于0.3，周双边换手率控制为30%，周频调仓，交易费用为双边千分之四。
截至2024年11月1日，AI中证1000增强组合上周相对中证1000超额收益为-0.78%，10月份超额收益为-4.91%，今年以来超额收益为1.33%，自2017年初回测以来相对中证1000年化超额收益率为22.00%，年化跟踪误差为6.06%，信息比率为3.63，超额收益最大回撤为7.55%，超额收益Calmar比率为2.91。
05 文本FADT_BERT选股组合近期表现跟踪
华泰金工研报《人工智能63：再探文本FADT选股》（2022-10-28）中，我们对盈利预测调整场景下的文本因子进行升级，构建了forecast_adjust_txt_bert因子，并基于该因子的多头端基础股票池进行增强，构建top25的主动量化选股组合文本FADT_BERT（forecast-adjust-text portfolio BERT版）。
截至2024年11月1日，文本FADT_BERT组合10月份绝对收益为2.23%，相对中证500超额收益-0.53%，今年以来绝对收益15.31%，超额收益6.61%。自2009年初回测以来年化收益率40.28%，相对中证500超额年化收益32.10%，组合夏普比率1.40。
风险提示：
通过人工智能模型构建选股策略是历史经验的总结，若市场规律改变，存在失效的可能。人工智能模型可解释程度较低，归因较困难，使用须谨慎。
相关研报
研报：《一波三折：AI量价因子持续回撤》2024年11月03日
研究员：林晓明 S0570516010001 | BPY421
研究员：何康 S0570520080004 | BRB318
联系人：卢炯 S0570123070272
关注我们
https://inst.htsc.com/research
访问权限：国内机构客户
https://intl.inst.htsc.com/research
免责声明
