海外文献推荐：第294期

文摘 2024-10-24 19:24 上海

本期精选了三篇机器学习与FOF管理相关的海外文献。

1.机器学习与基金经理能力衡量

文献来源：Ron Kaniel, Zihan Lin, Markus Pelger, Stijn Van Nieuwerburgh, Machine-learning the skill of mutual fund managers, Journal of Financial Economics, Volume 150, Issue 1, 2023, Pages 94-138, ISSN 0304-405X,

推荐理由：这篇报告是一篇关于共同基金基金经理技能的机器学习研究，报告发现使用机器学习技术可以通过基金特征区分高绩效和低绩效的共同基金，并且能够识别具有净费用异常回报的基金。基金动量和基金流动是未来风险调整基金绩效的最重要预测因子，模型预测的性能差异在样本外表现显著，预测表现最好的基金组合与最差的基金组合之间的累计异常回报差异为191%。此外报告发现基金持有股票的特征并不具有预测性。在高情绪或宏观经济状况良好时期，预测的长短期组合的回报率更高。通过神经网络的估计，研究者能够发现情绪与基金流动和基金动量之间的交互效应。此外，报告还提出了一种新的衡量机器学习算法中交互效应的方法。

2. 采用机器学习方法通过基金持仓筛选基金

文献来源：Li, B., & Rossi, A. (2020). Selecting Mutual Funds from the Stocks They Hold: A Machine Learning Approach. SPGMI: Compustat Fundamentals.

推荐理由： 报告结合了共同基金的个股持仓和股票特征，基于基金持有的股票计算基金层面对因子的暴露。基金的表现与基金因子暴露及其相互作用是非线性相关的。在预测共同基金的表现时，考虑基金与股票特征之间的非线性关系和相互作用非常重要。报告发现提升回归树（Boosted Regression Trees，简称BRTs），在基金预测研究中的表现明显超过了传统的线性模型，此外其预测结果的解释能力也更强。此外，报告还发现，基金特征与基金表现之间的关系是时变的，这解释了为什么短滚动窗口的BRTs能够捕捉到短暂的投资机会。

3. 机器学习能否协助筛选共同基金

文献来源：DeMiguel, V., Gil-Bazo, J., Nogales, F.J., & A. P. Santos, A. (2021). Can Machine Learning Help to Select Portfolios of Mutual Funds? Mutual Funds.

推荐理由： 报告发现利用机器学习方法，特别是梯度提升（Gradient Boosting, GB）和随机森林（Random Forests, RF），可以构建出在样本外风险调整后收益显著为正的共同基金投资组合。这些投资组合的年化超额收益（alpha）可高达4.2%，且在多种不同的业绩评价模型下表现稳健。机器学习方法能够同时利用多个基金特征，并允许这些特征与基金业绩之间的关系具有灵活性，这是传统线性模型所不具备的。报告还发现，随着时间的推移，所有投资组合的表现都有所下降，这与资产市场的竞争加剧和行业规模经济的不经济性一致。