截至2024年8月23日，全频段融合因子今年以来5日RankIC均值为0.129，分10层TOP层相对全A等权基准的超额收益为16.73%，自2017年初回测以来5日RankIC均值为0.116，TOP层年化超额收益率为32.13%。AI行业轮动模型使用全频段量价融合因子对32个中信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24.02%，相对等权基准年化超额收益率为23.58%，今年以来超额收益率为32.48%。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。截至2024年8月23日，模型未来一周将持有银行精选、保险精选、中特估、医药商业精选等指数。AI主题指数轮动模型未来一周将持有上证金融、上证央企、央企股东回报、小康指数等指数。截至2024年8月23日，文本FADT_BERT组合8月份绝对收益为-7.17%，相对中证500超额收益-0.02%，今年以来绝对收益-11.37%，超额收益5.07%。
全频段融合因子今年以来相对全A等权超额16.73%
截至2024年8月23日，全频段融合因子今年以来5日RankIC均值为0.129，分10层TOP层相对全A等权基准的超额收益为16.73%，自2017年初回测以来5日RankIC均值为0.116，TOP层年化超额收益率为32.13%。根据全频段融合因子构建的AI中证1000增强组合上周相对中证1000超额收益为0.31%，今年以来超额收益为4.19%，自2017年初回测以来相对中证1000年化超额收益率为23.52%，年化跟踪误差为6.04%，信息比率为3.90，超额收益最大回撤为7.55%，超额收益Calmar比率为3.11。
AI行业轮动模型今年以来相对等权基准超额收益32.48%
AI行业轮动模型使用全频段量价融合因子对32个中信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24.02%，相对等权基准年化超额收益率为23.58%，今年以来超额收益率为32.48%。截至2024年8月23日，模型未来一周将持有银行、石油石化、非银行金融、煤炭、工业金属5个行业。
AI概念指数轮动模型：未来一周银行精选、保险精选等或将成为热点
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20.05%，相对等权基准年化超额收益率为15.78%。截至2024年8月23日，模型未来一周将持有银行精选、保险精选、中特估、医药商业精选等指数。AI主题指数轮动模型未来一周将持有上证金融、上证央企、央企股东回报、小康指数等指数。
文本FADT_BERT组合今年绝对收益-11.37%，相对中证500超额5.07%
截至2024年8月23日，文本FADT_BERT组合8月份绝对收益为-7.17%，相对中证500超额收益-0.02%，今年以来绝对收益-11.37%，超额收益5.07%。自2009年初回测以来年化收益率38.57%，相对中证500超额年化收益32.56%，组合夏普比率1.36。
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：
行业池：主要为中信一级行业，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。
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。
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、石油石化、非银行金融、煤炭、工业金属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：
概念指数池：选取Wind热门概念指数，共有72个概念指数。
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。
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、中特估、医药商业精选等指数，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：
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。
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。
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上证金融、上证央企、央企股东回报、小康指数等指数。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8月23日，全频段融合因子今年以来5日RankIC均值为0.129，分10层TOP层相对全A等权基准的超额收益为16.73%，自2017年初回测以来5日RankIC均值为0.116，TOP层年化超额收益率为32.13%。
华泰金工中证1000增强组合构建方法如下：
因子：全频段融合因子。
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8月23日，AI中证1000增强组合上周相对中证1000超额收益为0.31%，今年以来超额收益为4.19%，自2017年初回测以来相对中证1000年化超额收益率为23.52%，年化跟踪误差为6.04%，信息比率为3.90，超额收益最大回撤为7.55%，超额收益Calmar比率为3.11。
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8月23日，文本FADT_BERT组合8月份绝对收益为-7.17%，相对中证500超额收益-0.02%，今年以来绝对收益-11.37%，超额收益5.07%。自2009年初回测以来年化收益率38.57%，相对中证500超额年化收益32.56%，组合夏普比率1.36。
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：《全频段融合因子今年相对全A等权超额16.73%》2024年8月25日
分析师：林晓明 S0570516010001｜BPY421
分析师：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
