招商银行-基于机器学习的ETF投资研究：打开中短期市场的“黑箱”-210223

《招商银行-基于机器学习的ETF投资研究：打开中短期市场的“黑箱”-210223（15页）.pdf》由会员分享，可在线阅读，更多相关《招商银行-基于机器学习的ETF投资研究：打开中短期市场的“黑箱”-210223（15页）.pdf（15页精品完整版）》请在悟空智库报告文库上搜索。

■中短期市场的难预测性折射出深层次问题。

中短期市场难以预判的特性，背后所反映的可能是某些尚未被发现、理解、定价的市场特征，由于人类思维的局限性，譬如归纳与演绎推理并非万能，使得该类特征难以被察觉。

相对于人类思维的局限，近年以来发展较快的机器学习提供了一定程度的优化方法，本文将通过搭建机器学习投资体系，以期弥补人类大脑在高维数据处理与线性思维的不足，尝试观测市场短期变化的特征，进而提供投资策略的新思路。

■机器学习发展迅速，投资领域不乏先驱。

20世纪40年代，机器学习以模仿人类神经元的连接为起点逐步发展，但到了20世纪60年代中叶至70年代中叶，其发展的步伐进入停滞期。

1985年，误逆差传播算法（BP算法）又推动了人工神经网络发展的第二次高潮。

当前，机器学习的焦点集中在集成学习和深度学习，从应用场景来看，随着机器学习的平台不断扩张，机器学习算法已经应用到诸多领域，以股票市场为例，涌现出了不少著名机构投资者，如文艺复兴科技公司等先驱，通过不断创建、改良算法，创下了令人瞩目的成绩。

■机器学习应用于ETF投资，近三年业绩显著。

基于机器学习的特点，不难看到，数据量越大、对预测精度要求越高的领域，机器学习越能发挥其自身优势。

市场（尤其是中短期市场）是一个典型的由多维信息构成的大数据集，我们认为机器学习工具能帮助投资者更好地识别金融资产价格的变化模式和可能存在的规律。

为此，我们搭建了一套名为阿尔卡纳（Arcana）的纯机器学习投资体系，使其通过不断学习历史信息，识别信号，进而在月度频率上对相关行业ETF做出预判与投资决策，从近三年业绩来看，2018年1月至2020年12月，持仓总收益率243%，平均年化收益率84%，年化夏普率3.75，同期全市场排名6/4895。

■尝试理解短期市场变化，则不应局限于线性思维。

阿尔卡纳反映出来的问题是深刻的，我们通过对其业绩回检，不仅发现了A股市场的非稳态性质，即市场并不是始终处在一个确定的状态里，信息/因子并非始终有效，还发现了各类可能被忽视的因子对A股存在的影响，如反腐对ETF价格存在阶段性影响、房价对消费影响明显等现象。

因此，在观测短期市场这一问题上，紧盯某些长期因子并不能有效做到市场预判，而应对更广范围的因子进行收集、观测、理解。