AI配置模型10月超额明显【国金金工高智威团队】

文摘   财经   2024-11-05 21:58   北京  







+

目录


1.市场概况

2.市场环境解析

 ▫经济增长分析

 ▫货币流动性分析

3.基于人工智能全球大类资产配置模型策略观点与表现

4.基于动态宏观事件因子的股债轮动配置策略观点与表现

5.基于红利风格择时配置策略观点与表现

风险提示


摘要


投资逻辑 

市场概况:

过去一个月,国内各资产指数多数上涨。股票方面各指数部分上涨,其中万得微盘股涨幅最大,为11.54%,中证2000、中证1000、中证500和万得全A分别上涨9.78%、7.21%、2.84%和2.28%,上证50跌幅最大,为-4.23%,沪深300下跌-3.01%。债券方面,10月份各期限债券指数部分上涨。其中,7-10年国债指数月涨幅最高,为0.38%,1年以下信用债指数、1-3年国债指数和3-5年国债指数分别上涨0.23%、0.22%和0.22%,7-10年信用债指数跌幅最大,为-0.28%,3-5年信用债下跌-0.03%。商品方面,南华各分类商品指数部分上涨,贵金属涨幅最大,为5.79%,农产品涨幅为0.63%,黑色、能化和有色金属分别下跌-5.26%、-2.83%和-2.83%。


经济增长方面,虽经济运行仍保持整体稳定增长,但9月增速略有回落。9月出口金额同比报2.4%,较8月下行6.3%;9月固定资产投资完成额累计同比报3.4%,较8月没有变化。不过在结构中我们仍能发现亮点,9月工业增加值同比报5.4%,较8月增加了0.9个百分点。且领先公布的10月中采制造业PMI报50.1%,较上月上升0.3%,经济景气度环比回升。


通胀方面,通胀从底部逐步回升。9月PPI同比报-2.8%,较上个月下降。另外9月CPI同比为0.4%,较上月减少0.2%,9月CPI环比为0。


信用方面,9月份社会融资规模存量同比报8.0%,较上月下降0.1%;9月份M1同比数据报-7.4%,较上月下降0.1%;9月份M2同比数据报6.8%,较上个月增加0.5%;9月份M1-M2剪刀差为-14.2%,较上个月下降0.6%。


货币方面,国债利率曲线整体较上个月部分下降。10年国债利率、7年国债利率、5年国债利率和2年国债利率分别下降0.42BP、4.42BP、4.41BP和1.08BP,6个月国债利率和1个月国债利率分别下降2.00BP和5.16BP,3年国债利率、1年国债利率、9个月国债利率和3个月国债利率分别上升1.99BP、5.81BP、1.11BP和0.80BP。如果我们从7天银行间质押式回购加权利率来观察短端银行间市场流动性的话,发现DR007利率20个交易日移动平均值有所上升,短端流动性有所收紧。


人工智能全球大类资产配置模型观点:

11月份全球大类资产配置策略建议权重国债指数(46.99%)、中证500(3.88%)、ICE布油(16.33%)、德国DAX(20.82%)、纳斯达克(8.37%)、日经225(3.61%)。其中ICE布油、德国DAX、纳斯达克和日经225权重明显提升(分别从6.30%上升到16.33%,从9.18%上升到20.82%,从0%上升到8.37%和从1.70%上升到3.61%),而国债指数和中证500权重往下调整。总体来看,中国权益资产占比较上个月有所下降,从21.43%下降到3.88%。


10月全球大类资产配置策略月涨跌幅为1.07%,基准策略月涨跌幅为0.30%。


股债配置模型观点:

股债配置方面,基于宏观择时模块和风险预算模型框架完成了的三个股债配置模型权重的输出,11月份进取型、稳健型和保守型的股票权重为30%、11.85%和0%。拆分来看,模型对11月份经济增长层面信号强度为0%;而货币流动性层面信号强度为60%。10月份配置模型表现良好,进取型、稳健型和保守型月涨跌幅分别为0.82%、0.45%和0.19%,保守型策略好于基准。


红利风格择时配置模型观点:

对于红利择时判断方面,11月份中证红利推荐仓位为100%。其中经济增长维度指标多数发出看多信号,货币流动性信号较为谨慎,最终合成信号为100%。择时策略整体表现稳定,其年化收益率17.21%,最大回撤21.22%,夏普比率0.95,相较于中证红利全收益指数有明显提高。


风险提示:

以上结果通过历史数据统计、建模和测算完成,在政策、市场环境发生变化时模型存在失效的风险。


正文





市场概况

过去一个月,国内各资产指数多数上涨。股票方面各指数部分上涨,其中万得微盘股涨幅最大,为11.54%,中证2000、中证1000、中证500和万得全A分别上涨9.78%、7.21%、2.84%和2.28%,上证50跌幅最大,为-4.23%,沪深300下跌-3.01%。


债券方面,10月份各期限债券指数部分上涨。其中,7-10年国债指数月涨幅最高,为0.38%,1年以下信用债指数、1-3年国债指数和3-5年国债指数分别上涨0.23%、0.22%和0.22%,7-10年信用债指数跌幅最大,为-0.28%,3-5年信用债下跌-0.03%。


商品方面,南华各分类商品指数部分上涨,贵金属涨幅最大,为5.79%,农产品涨幅为0.63%,黑色、能化和有色金属分别下跌-5.26%、-2.83%和-2.83%。



市场环境解析

经济增长分析

经济增长方面,虽经济运行仍保持整体稳定增长,但9月增速略有回落。9月出口金额同比报2.4%,较8月下行6.3%;9月固定资产投资完成额累计同比报3.4%,较8月没有变化。不过在结构中我们仍能发现亮点,9月工业增加值同比报5.4%,较8月增加了0.9个百分点。且领先公布的10月中采制造业PMI报50.1%,较上月上升0.3%,经济景气度环比回升。



通胀方面,通胀从底部逐步回升。9月PPI同比报-2.8%,较上个月下降。另外9月CPI同比为0.4%,较上月减少0.2%,9月CPI环比为0。



信用方面,9月份社会融资规模存量同比报8.0%,较上月下降0.1%;9月份M1同比数据报-7.4%,较上月下降0.1%;9月份M2同比数据报6.8%,较上个月增加0.5%;9月份M1-M2剪刀差为-14.2%,较上个月下降0.6%。



货币流动性分析

货币方面,国债利率曲线整体较上个月部分下降。10年国债利率、7年国债利率、5年国债利率和2年国债利率分别下降0.42BP、4.42BP、4.41BP和1.08BP,6个月国债利率和1个月国债利率分别下降2.00BP和5.16BP,3年国债利率、1年国债利率、9个月国债利率和3个月国债利率分别上升1.99BP、5.81BP、1.11BP和0.80BP。如果我们从7天银行间质押式回购加权利率来观察短端银行间市场流动性的话,发现DR007利率20个交易日移动平均值有所上升,短端流动性有所收紧。



基于人工智能全球大类资产配置模型策略观点与表现

根据国金金融工程团队发布的《BETA猎手系列:人工智能全球大类资产配置模型》,我们将机器学习模型应用到大类资产配置问题上,基于因子投资的思路使用模型给出各资产的打分排序,并最终构建可投资的大类资产月频量化等权配置策略,为全球大类资产配置策略。


11月份全球大类资产配置策略建议权重国债指数(46.99%)、中证500(3.88%)、ICE布油(16.33%)、德国DAX(20.82%)、纳斯达克(8.37%)、日经225(3.61%)。其中ICE布油、德国DAX、纳斯达克和日经225权重明显提升(分别从6.30%上升到16.33%,从9.18%上升到20.82%,从0%上升到8.37%和从1.70%上升到3.61%),而国债指数和中证500权重往下调整。总体来看,中国权益资产占比较上个月有所下降,从21.43%下降到3.88%。


10月全球大类资产配置策略月涨跌幅分别为1.07%,基准策略月涨跌幅为0.30%。


历史表现方面,从2021年1月至2024年10月,全球大类资产配置策略年化收益率分别为6.78%,夏普比率为1.06,最大回撤为6.39%,超额年化收益率为2.60%,超额夏普比率为0.47,超额最大回撤仅为5.96%,在各维度上表现优于基准,同期基准年化收益率为3.63%,夏普比率为0.41,最大回撤为14.91%。


从年初至今,全球大类资产配置策略收益率分别为13.33%,同期基准收益率为11.98%。



基于动态宏观事件因子的股债轮动配置策略观点与表现

根据国金金融工程团队发布的《Beta猎手系列:基于动态宏观事件因子的股债轮动策略》,我们构建了基于动态宏观事件因子的三个不同风险偏好的股债配置策略(保守,稳健和进取型)。


基于宏观择时模块和风险预算模型框架完成了的三个股债配置模型权重的输出,11月份进取型、稳健型和保守型的股票权重为30%、11.85%和0%。拆分来看,模型对11月份经济增长层面信号强度为0%;而货币流动性层面信号强度为60%。


10月份配置模型表现良好,进取型、稳健型和保守型月涨跌幅分别为0.82%、0.45%和0.19%,保守型策略好于基准。


历史表现方面,从2005年1月至2024年10月,进取型、稳健型和保守型策略年化收益率分别为20.33%、11.15%、6.06%,同期股债64年化收益率为8.67%。进取型、稳健型均在各维度上表现优于基准。从年初至今,进取型、稳健型和保守型三个策略收益率分别为6.27%、5.97%、4.04%,同期股债64收益率为9.31%。



基于红利风格择时配置策略观点与表现

根据国金金融工程团队发布的《国金证券Beta猎手系列:基于红利风格择时+红利股优选构建的固收+策略》,我们发现红利股相对A股有长期相对稳定的优势,其高分红的特点也能减少投资者在市场弱势时面临的风险。我们使用经济增长和货币流动性共10个指标,通过动态事件因子的体系构建的红利指数择时策略表现优异,相较于中证红利指数全收益有显著的稳定性提升。


红利择时模型给出的11月份中证红利推荐仓位为100%。其中经济增长维度指标多数发出看多信号,货币流动性信号较为谨慎,最终合成信号为100%。择时策略整体表现稳定,其年化收益率17.21%,最大回撤21.22%,夏普比率0.95,相较于中证红利全收益指数有明显提高。



风险提示

1、以上结果通过历史数据统计、建模和测算完成,若历史数据产生环境发生变化,可能出现模型失效风险;


2、政策环境发生变化,资产与相关风险因子失去稳定关系的模型风险;


3、市场环境发生变化,国际政治摩擦升级等带来各大类资产同向大幅波动风险。



往期报告


主动量化系列

  1. 《主动量化研究之三:共振策略与“金中选精”策略6月均获显著超额》

  2. 《主动量化研究之二:当绩优基金重仓股遇到调研会发生什么“共振”?》

  3. 主动量化研究之一:择时、选股、选基——自主可控概念量化投资指南


Alpha掘金系列

  1. 《Alpha掘金系列之十二:排序学习对GRU选股模型的增强

  2. 《Alpha掘金系列之十一:基于BERT-TextCNN的中证1000舆情增强策略

  3. 《Alpha掘金系列之十:机器学习全流程重构——细节对比与测试

  4. 《Alpha掘金系列之九:基于多目标、多模型的机器学习指数增强策略》

  5. 《Alpha掘金系列之八:FinGPT对金融论坛数据情感的精准识别——沪深300另类舆情增强因子》

  6. Alpha掘金系列之七:ChatGLM医药行业舆情精选策略——大模型微调指南》

  7. Alpha掘金系列之六:弹性与投资者耐心——基于高频订单簿的的斜率凸性因子

  8. 《Alpha掘金系列之五:如何利用ChatGPT挖掘高频选股因子?》

  9. 《Alpha掘金系列之四:基于逐笔成交数据的遗憾规避因子》

  10. Alpha掘金系列之三:高频非线性选股因子的线性化与失效因子的动态纠正

  11. 《Alpha掘金系列之二:基于高频快照数据的量价背离因子》

  12. Alpha掘金系列:多维度卖方分析师预测能力评价——券商金股组合增强策略


Beta猎手系列

  1.Beta猎手系列之十二:RAG-ChatGPT提前布局热点概念领涨股 

  2.Beta猎手系列之十一:基于红利风格择时+红利股优选构建的固收+策略

  3.Beta猎手系列之十:个股K线图形态AI识别构建市场风格预测

  4.Beta猎手系列之九:人工智能全球大类资产配置模型

  5.Beta猎手系列之八:基于偏股型转债的择时与择券构建固收+策略

  6.Beta猎手系列之七:追上投资热点——基于LLM的产业链图谱智能化生成

  7.Beta猎手系列之六:基于宏观量价信号叠加的微盘股茅指数择时轮动策

  8.Beta猎手系列之五:Beta猎手系列之五:基于机构调研热度和广度视角的行业配置策略 

  9.Beta猎手系列之四:如何利用ChatGPT解析卖方策略观点并构建行业轮动策略? 

10.《Beta猎手系列之三:行业超预期的全方位识别与轮动策略》

11.《Beta猎手系列之二:熵池模型:如何将纯主动观点纳入量化配置模型》

12.Beta猎手系列:基于动态宏观事件因子的股债轮动策略


智能化选基系列

  1. 《智能化选基系列之五:如何如何刻画基金经理的交易动机并进行基金优选?》

  2. 《智能化选基系列之四:如何用LLM生成基金经理调研报告并构建标签体系?》

  3. 《智能化选基系列之三:基金经理多维度能力评价因子优化》

  4. 《智能化选基系列之二:风格轮动型基金的智能识别与量化优选》

  5. 《智能化选基系列:如何通过全方位特征预测基金业绩并构建跑赢指数的基金组合》


量化漫谈系列

  1. 《量化漫谈系列之十一:中证A500指数有效因子分析与增强策略

  2. 《量化漫谈系列之十:RAG-ChatGPT读季报:公募基金经理一致观点解析

  3. 《量化漫谈系列之九:金融文本分析评测:Llama 3是最强开源模型吗?》

  4. 量化漫谈系列之八:传统因子如何通过线性转换增强因子表现?》

  5. 《量化漫谈系列之六:为大模型插上翅膀——ChatGLM部署与Langchain知识库挂载》

  6. 量化漫谈系列之六:如何精确跟踪微盘股指数?——低成交量下的抽样复制策略》

  7. 量化漫谈系列之五:中证2000指数发布,如何构建微盘股指数增强策略?》

  8. 《量化漫谈系列之四:成长价值和大小盘双风格轮动基金如何识别与优选?》

  9. 《量化漫谈系列之三:有多少基金从新能源切换到了AI?》

  10. 《量化漫谈:卖方分析师团队评价体系与特征全景》

  11. 量化漫谈:预期差视角下的业绩预喜个股机会梳理


量化掘基系列

  1. 《量化掘基系列之二十六:黄金持续新高,该如何把握后续行情?

  2. 《量化掘基系列之二十五:若红利税下调,对港股影响几何?

  3. 《量化掘基系列之二十四:新“国九条”下,如何把握红利投资浪潮?

  4. 《量化掘基系列之二十三:把握HBM高景气度及半导体产业复苏的投资机会

  5. 《量化掘基系列之二十二:产业链视角下如何捕捉AI手机概念行情?

  6. 《量化掘基系列之二十一:低波震荡下的投资利器——泰康中证红利低波动ETF

  7. 《量化掘基系列之二十:深度学习赋能市场中性基金,量化对冲类产品前景广阔

  8. 《量化掘基系列之十九:量化视角下,央企概念有哪些投资机会?

  9. 《量化掘基系列之十八:汇聚龙头,启航新境——华泰柏瑞中证A50ETF

  10. 《量化掘基系列之十七:红利叠加低波会碰撞出怎样的火花?

  11. 《量化掘基系列之十六:控制微盘风格暴露,机器学习赋能量化投资

  12. 《量化掘基系列之十五:低波因子是否才是中证 500 选股真正利器?

  13. 《量化掘基系列之十四:“哑铃”策略的一头,红利策略哪只强?》

  14. 《量化掘基系列之十三:多重利好驱动小微盘行情,中证2000指数迎配置机遇》

  15. 《量化掘基系列之十二:高成长高弹性,掘金科创100估值底》

  16. 《量化掘基系列之十一:高股息+低估值,顺周期行业配置首选》

  17. 《量化掘基系列之十:行业龙头强强联合,中韩半导体产业迎布局机遇

  18. 《量化掘基系列之九:量化视角把握专精特新“小巨人”投资机会》

  19. 量化掘基系列之八:国企改革持续推进,现代能源产业投资正当其时

  20. 量化掘基系列之七:低利率环境下的投资法宝——招商中证红利ETF

  21. 量化掘基系列之六:如何从多个维度衡量ETF的景气度特征》

  22. 《量化掘基系列之五:震荡行情下的投资利器——华泰柏瑞中证红利低波动ETF》

  23. 《量化掘基系列之四:量化择时把握创业板50指数投资机会》

  24. 量化掘基系列之三:ChatGPT概念加速起飞,大数据产业链投资指南

  25. 量化掘基系列之二:量化择时把握港股通大消费板块投资机会

  26. 量化掘基:银河基金罗博:机器学习赋能主动量化投资


CTA金点子系列

  1. 《CTA金点子系列之二:基于日内高频博弈信息的商品CTA策略

  2. 《CTA金点子系列之一:基于ChatGPT新闻情感分析的原油期货策略》


年度投资策略

  1. 《金融工程2023年度投资策略:拨云见日终有时》

  2. 《金融工程2024年度策略:小盘股为帆,AI量化掌舵》




报告信息

证券研究报告:《量化配置视野:AI配置模型10月超额明显

对外发布时间:2024年11月04日

报告发布机构:国金证券股份有限公司


证券分析师:高智威

SAC执业编号:S1130522110003

邮箱:gaozhiw@gjzq.com.cn


联系人:许坤圣  

邮箱:xukunsheng@gjzq.com.cn











量化智投
国金证券金融工程高智威团队。研究范围涵盖了量化选股、资产配置、基金研究以及衍生品投资等领域。
 最新文章