华安证券-“学海拾珠”系列之一百五十六：使用机器学习识别基金经理投资能力-230830

文本预览：

《华安证券-“学海拾珠”系列之一百五十六：使用机器学习识别基金经理投资能力-230830（19页）.pdf》由会员分享，可在线阅读，更多相关《华安证券-“学海拾珠”系列之一百五十六：使用机器学习识别基金经理投资能力-230830（19页）.pdf（19页精品完整版）》请在悟空智库报告文库上搜索。

（以下内容从华安证券《“学海拾珠”系列之一百五十六：使用机器学习识别基金经理投资能力》研报附件原文摘录）
　　主要观点： 　　本篇是“学海拾珠”系列第一百五十六篇，文献使用机器学习模型将基金超额回报与共同基金的特征（包括它们所持有的股票的特征）以及反映经济状况的变量联系起来，探讨了神经网络模型，主要是前馈神经网络在基金业绩预测方面的应用。回到国内市场，将机器学习用于基金研究方面的研究相对较少，我们可以尝试类似的方法进行业绩预测。 　　预测变量、特征与模型设置 　　文献主要预测的对象是共同基金的异常回报，它衡量了扣除系统风险因子敞口后的基金绩效。 　　使用的特征包括：基金持仓股票的46个特征（已被证明对预期回报的横截面排序有预测力），基金动量、基金特征（成立时长、规模、资金流、费率、换手）、家族特征、市场情绪。 　　预测模型使用人工神经网络，它允许变量之间的交互作用，以及特征与未来基金绩效之间的非线性关系，根据它对下个月异常回报的预测，将基金分为十分组构造组合，生成预测值加权投资组合和等权投资组合。 　　结论 　　根据神经网络模型的预测，投资于10%最佳基金的投资策略，将获得72%的累计异常回报，最差的10%将获得-119%的累计异常回报，规避最差的基金比投资最佳的基金更有价值，扣费后多头组仍有超额收益。 　　当分别仅使用股票特征、股票特征和情绪、基金特征、基金特征和情绪时，发现结果差异巨大，基金特征与股票特征形成鲜明对比，美国权益基金具有持久显著预测能力的变量为基金动量与基金资金流，且它们与情绪存在交互作用，两者间存在线性模型无法捕捉到的交互效应。 　　风险提示 　　文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。