报告要点

A 股市场主动管理基金为投资者创造了一定价值

在《FOF 研究系列之七：十个角度看中国公募基金行业发展》中，我们对国内公募基金的业绩表现进行了梳理，发现：分年度看，主动管理股票基金在多数年份能够战胜基准；滚动三年业绩能战胜基准的基金比例也一直维持在 60%以上；从更长期业绩看，10 年期业绩战胜中证全指和中证 800 指数的基金比例超过 70%，而在欧美成熟市场，跑赢对应市场基准的公募基金占比不足 20%。这在某种程度上说明了：A 股市场的专业资产管理机构进行的主动管理，为投资者创造了一定价值。 本篇报告将从业绩归因角度，对国内主动管理公募基金获取的超额收益进行分解，

摘要

宏观数据多被应用于资产配臵与行业轮动，本篇报告尝试在微观的选股层面进行探索，以期为投资者提供参考。

如何刻画股票与宏观经济指标之间的联系。本文首先探讨宏观经济如何影响股票的收益，并尝试使用宏观敏感性（MacroBeta）刻画股票与宏观经济指标之间的联系。

宏观数据的潜在问题与数据清洗。宏观经济数据相较其他常见数据，面临的问题更多，包括公布时间滞后、数据发布频率不稳定、缺失值多、序列不平稳等。实际使用时，我们推荐通过差分法、Surprise替代法、资产组合模拟法等方式进行预加工处理。

宏观敏感性因子是否可以用来选股？我们将宏观敏感性——MacroBeta当作选股因子，测试其本

摘要

文献来源：Stark, Jeffrey R. "Decomposing mutual fund alpha into security selection and security weighting." Journal of Empirical Finance 52 (2019): 76-91.

推荐原因：作者将共同基金的alpha来源分解为如何选择股票的选股alpha和如何对这些股票赋予适当权重的赋权alpha。经研究发现，尽管二者之间存在一定的联系，但它们都对投资组合的alpha有显著的影响。文中结果表明对于基金的总体alpha而言，赋权比选股更为重要并且赋权

摘要

特征选择是人工智能选股策略的重要步骤，能够提升基学习器的预测效果特征选择是机器学习数据预处理环节的重要步骤，核心思想是从全体特征中选择一组优质的子集作为输入训练集，从而提升模型的学习和预测效果。 我们将特征选择方法应用于多因子选股，发现特征选择对逻辑回归_6m、基学习器的预测效果有一定提升。我们以全A股为股票池，以沪深300和中证500为基准，构建行业中性和市值中性的选股策略。基于F值和互信息的方法对于逻辑回归_6m、XGBoost_6m、基学习器的回测表现具有明显的提升效果。 随着入选特征数的增加，模型预测效果先上升后下降特征个数并非越多越好。以逻辑回归_6m和XGBoost_

摘要

本周全A选股（非行业中性）随机森林表现最好本周中证500涨跌幅为-5.90%。本周4个人工智能组合跑赢基准，超额收益最高的策略是随机森林，该策略本周获得绝对收益-3.64%，超额收益。最近三月超额收益最高的策略是随机森林，该策略最近三月获得绝对收益-6.05%，超额收益9.37%。最近一年超额收益最高的策略是随机森林，该策略最近一年获得绝对收益10.24%，超额收益24.13%。 本周全A选股（沪深300行业中性）随机森林表现最好本周沪深300涨跌幅为-3.85%。本周1个人工智能组合跑赢基准，超额收益最高的策略是随机森林，该策略本周获得绝对收益-3.70%，超额收益。最近三月超

摘要

本周全A选股（非行业中性）SVM表现最好本周中证500涨跌幅为1.39%。本周5个人工智能组合跑赢基准，超额收益最高的策略是SVM，该策略本周获得绝对收益2.73%，超额收益1.34%。 最近三月超额收益最高的策略是SVM，该策略最近三月获得绝对收益，超额收益8.71%。最近一年超额收益最高的策略是随机森林，该策略最近一年获得绝对收益23.04%，超额收益21.02%。 本周全A选股（沪深300行业中性）朴素贝叶斯表现最好本周沪深300涨跌幅为2.60%。本周2个人工智能组合跑赢基准，超额收益最高的策略是朴素贝叶斯，该策略本周获得绝对收益2.84%，超额收益。最近三月超额收益最高

摘要

采 用统一的视角解释与测试所有的广义线性模型

多因子模型的本质是关于股票当期因子暴露和未来收益之间的线性回归模型。我们希望引入机器学习的思想，对传统多因子模型进行优化，最自然的想法正是从简单的线性模型入手。本文中，我们试图采用统一的视角解释与测试所有的广义线性模型，并分析它们应用于多因子选股的异同，希望对本领域的投资者产生有实用意义的参考价值。

广 义线性模型的构建和回测

广义线性模型的构建包括特征和标签提取、特征预处理、训练集合成和滚动训练等步骤。最终在每个月底可以产生对全部个股下期收益的预测值，也可以将广义线性模型看作一个因子合成模型，即在每个月底将因子

摘要

【人工智能研报】华泰人工智能系列之二十九：提升超额收益，另类标签和集成学习20200319-华泰证券-35页.pdf

另类标签和集成学习有助于提升人工只能选股的超额收益

本文认为使用另类标签有三个方面的合理性

本文使用了在多种训练期长度下测试的方法对比不同标签构建的模型

相比收益率标签，另类标签在全A股优势明显，在指数成分股内优势较小

集成学习能充分利用不同模型的优点，在多个股票池内回测效果最好

正文

[/wiki/static/upload/4f/4f177bf7-06a0-4013-b4d8-df0b4ac213a2

摘要

报告对各种Boosting集成学习模型进行系统测试

Boosting集成学习模型将多个弱学习器串行结合，能够很好地兼顾模型的偏差和方差，该类模型在最近几年获得了长足的发展，主要包括AdaBoost、GBDT、XGBoost。本篇报告我们将对这三种Boosting集成学习模型进行系统性的测试，并分析它们应用于多因子选股的异同，希望对本领域的投资者产生有实用意义的参考价值。

Boosting集成学习模型构建：7阶段样本内训练与交叉验证、样本外测试

Boosting集成学习模型的构建包括特征和标签提取、特征预处理、样本内训练、交叉验证和样本外测试等步骤。最终在每个

银行的金融资产占比较大，运营模式独特，股票价格和其他行业指数相关性低，通过全市场测试选出的alpha因子可能在银行股内并不适用，有必要单独建模。而且银行股在沪深300和上证50指数里权重极高，做好银行行业内选股对指数增强效果的提升十分明显

长期来看，EP2TTM、BPTTM、NPL 、NPC、CCAR、YOYSALES、YOYNETPROFIT、EQUITY RATIO这几个因子在银行内的选股能力较好

我们分别建立了仅采用估值成长两个大类因子和额外加入了银行专属因子的银行内增强组合，综合来看，由于最近经济下行压力较大且银行监管压力增大，所以加入了风险监管类因子的组合相对而言更好，该组合从2

https://bigquant.com/experimentshare/2fbb2629dcb0450bbf72e224835b4957

\