“学海拾珠”系列之一百六十八：机器学习与基金特征如何选择正Alpha基金？

敬请参阅末页重要声明及评级说明 证券研究报告 机器学习与基金特征如何选择正 Alpha 基金？ ——“学海拾珠”系列之一百六十八 [Table_RptDate] 报告日期：2023-11-29 [Table_Author] 分析师：严佳炜 执业证书号：S0010520070001 邮箱：yanjw@hazq.com 联系人：钱静闲 执业证书号：S0010522090002 邮箱：qianjx@hazq.com [Table_CompanyReport] 相关报告 1.《企业季度投资激增与股票横截面收益——“学海拾珠”系列之一百六十七》 2.《基金波动率来源与基金业绩——“学海拾珠”系列之一百六十六》 3.《均衡配置宏观经济因子：分散效果如何？——“学海拾珠”系列之一百六十五》 4.《MemSum：基于多步情景马尔可夫决策过程的长文档摘要提取——“学海拾珠”系列之一百六十四》 5.《奇异值分解熵对股市的动态预测能力——“学海拾珠”系列之一百六十三》 6.《基金超额能力、规模报酬递减与价值创造——“学海拾珠”系列之一百六十二》 7.《因子间相关性与横截面资产回报——“学海拾珠”系列之一百六十一》 8.《交易量对波动率的非对称效应——“学海拾珠”系列之一百六十》 主要观点： [Table_Summary] 本篇是“学海拾珠”系列第一百六十八篇，文献探究了使用机器学习方法，通过基金特征选择多头基金组合的可能性，并且深入分析了机器学习选出的多头组和传统方法的区别，揭示了基金特征在预测未来业绩方面的非线性相互作用。回到国内市场，我们可以使用类似的方法构造策略。 ⚫ 传统线性方法与文献研究方法 传统研究中，某些基金特征可以用来预测基金的业绩（Jones 和Mo，2020）。通常会每月或每季度对基金基于特征进行排名，然后将资金分成五组或十组，评估这些基金组合的多空业绩。然而只有少部分特征在扣除全部费用后能选择出正 Alpha 的多头基金组合。 文献使用 17 个基金特征，采用三种机器学习方法：弹性网络（elastic net,）、梯度提升（gradient boosting）和随机森林（random forests）来预测基金 alpha，并将预测值前 10%的基金构建成组合。同时对比普通最小二乘法（OLS）以及两个朴素策略：基金等权组合和资产加权组合。 ⚫ 机器学习方法能够显著优化基金多头策略 梯度提升和随机森林下基金多头组合的费后净 Alpha 为每年2.36%和 2.69%（FF5 因子+动量模型评估）。相比之下，基于线性方法（弹性网络和 OLS）的组合净 alpha 为每年 1.09%和 1.21%，统计不显著，等权和资产加权组合分别实现了每年-0.22%和-0.44%的负的净Alpha。 因此，美国主动基金在扣除成本后平均业绩不及被动基金（平均净Alpha 为负），线性模型可以帮助投资者避免业绩不佳的基金（正向不显著的 Alpha），只有通过非线性和相互作用的机器学习方法才能通过主动管理获益（正的显著的 Alpha）。 ⚫ 基金特征与未来业绩之间的非线性关系 拆解结果后发现，value added、Alpha 的 t-统计值、市场 Beta t-统计值和 R²是梯度提升和随机森林方法中最重要的特征。基金主动程度与未来业绩之间存在高度的非线性关系，对于主动度更高的基金来说，过去的业绩是一个特别强大的预测因子。 线性方法下，发现排名前 10%的基金“太小”，机器学习有助于选择基金不仅因为它可以识别有 Alpha 的管理者，且可以识别 Alpha 不完全被规模报酬递减抵消的管理者。 ⚫ 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。 [Table_StockNameRptType] 金融工程 专题报告 [Table_CommonRptType] 金融工程 敬请参阅末页重要声明及评级说明 2 / 20 证券研究报告 正文目录 1 简介 .......................................................................................................................................................................................... 4 2 数据 .......................................................................................................................................................................................... 6 2.1 CRSP 样本数据 ....................................................................................................................................................................... 6 2.2 共同基金特征 ......................................................................................................................................................................... 6 2.3 目标与预测变量 ..................................................................................................................................................................... 8 3 机器学习方法 ......................................................................................................................................................................... 9 3.1 弹性网络（ELASTIC NET） .......................................................