截至2024年9月13日，全频段融合因子今年以来5日RankIC均值为0.122，分10层TOP层相对全A等权基准的超额收益为16.11%，自2017年初回测以来5日RankIC均值为0.115，TOP层年化超额收益率为31.74%。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。今年以来超额收益率为28.26%。截至2024年9月13日，模型未来一周将持有非银行金融、石油石化、工业金属、银行、电力及公用事业5个行业。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9月13日，模型未来一周将持有保险精选、万得金仓100、仿制药、基金重仓等指数。AI主题指数轮动模型未来一周将持有上证金融、光伏产业、绿色电力、中证红利等指数。截至2024年9月6日，文本FADT_BERT组合今年以来绝对收益-10.76%，超额收益7.26%。
AI主题指数轮动模型：未来一周上证金融、光伏产业等或将成为热点
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19.20%，相对等权基准年化超额收益率为15.20%。截至2024年9月13日，模型未来一周将持有保险精选、万得金仓100、仿制药、基金重仓等指数。AI主题指数轮动模型未来一周将持有上证金融、光伏产业、绿色电力、中证红利等指数。
AI行业轮动模型今年以来相对等权基准超额收益28.26%
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22.79%，相对等权基准年化超额收益率为22.92%，今年以来超额收益率为28.26%。截至2024年9月13日，模型未来一周将持有非银行金融、石油石化、工业金属、银行、电力及公用事业5个行业。
全频段量价因子今年以来相对全A等权超额16.11%
截至2024年9月13日，全频段融合因子今年以来5日RankIC均值为0.122，分10层TOP层相对全A等权基准的超额收益为16.11%，自2017年初回测以来5日RankIC均值为0.115，TOP层年化超额收益率为31.74%。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0.09%，今年以来超额收益为4.39%，自2017年初回测以来相对中证1000年化超额收益率为23.30%，年化跟踪误差为6.03%，信息比率为3.86，超额收益最大回撤为7.55%，超额收益Calmar比率为3.08。
文本FADT_BERT组合9月绝对收益-3.58%，相对中证500超额0.48%
截至2024年9月13日，文本FADT_BERT组合9月以来绝对收益为-3.58%，相对中证500超额收益0.48%，今年以来绝对收益-10.76%，超额收益7.26%。自2009年初回测以来年化收益率38.45%，相对中证500超额年化收益32.64%，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：
1.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。
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非银行金融、石油石化、工业金属、银行、电力及公用事业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保险精选、万得金仓100、仿制药、基金重仓等指数，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、光伏产业、绿色电力、中证红利等指数。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9月6日，全频段融合因子今年以来5日RankIC均值为0.122，分10层TOP层相对全A等权基准的超额收益为15.82%，自2017年初回测以来5日RankIC均值为0.115，TOP层年化超额收益率为31.79%。
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9月13日，AI中证1000增强组合上周相对中证1000超额收益为0.09%，今年以来超额收益为4.39%，自2017年初回测以来相对中证1000年化超额收益率为23.30%，年化跟踪误差为6.03%，信息比率为3.86，超额收益最大回撤为7.55%，超额收益Calmar比率为3.08。
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9月13日，文本FADT_BERT组合9月以来绝对收益为-3.58%，相对中证500超额收益0.48%，今年以来绝对收益-10.76%，超额收益7.26%。自2009年初回测以来年化收益率38.45%，相对中证500超额年化收益32.64%，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：《金工：AI主题轮动模型看好上证金融、光伏产业等》2024年9月16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
