金融工程深度报告:如何从ETF的提纯Alpha中学习信息
金 融 工 程 重要事项:本报告版权归上海东证期货有限公司所有。未获得东证期货书面授权,任何人不得对本报告进行任何形式的发布、复制。本报告的信息均来源于公开资料,我公司对这些信息的准确性和完整性不作任何保证,也不保证所包含的信息和建议不会发生任何变更。我们已力求报告内容的客观、公正,但文中的观点、结论和建议仅供参考,报告中的信息或意见并不构成交易建议,投资者据此做出的任何投资决策与本公司和作者无关。 有关分析师承诺,见本报告最后部分。并请阅读报告最后一页的免责声明。 [Table_Rank] 报告日期: 2024 年 01 月 22 日 [Table_Summary] ★ 被动指数化投资是未来的趋势 随着近年来市场波动加剧,主动管理的难度不断加大,在近三年、近两年和近一年的统计区间内,主动权益产品和指增产品相较行业板块和宽基指数的平均超额收益衰减显著。相比之下,被动 ETF 产品的规模逐渐增加,自 2017 年的 1817 亿元增长至 2023年的 13998 亿元,平均保持着 40%的年化增长率,同期公募机构在 ETF 产品上的持仓权重也从 0.04%增长至 5.12%,由此可见,被动指数化投资的增长趋势显现。 ★ 截面打分模型构建 本文以自下而上的视角构建 ETF 组合,从全市场 ETF 产品(剔除宽基指数)映射至标的指数,在该标的指数池上训练模型,再回溯至(某一时期内)成交量最大的跟踪产品。在模型构建细节上,我们分别从标的指数和成分股两个维度提取 66 个特征,以各个标的经风格因子回归后的 Alpha 为目标,滚动训练前馈网络以拟合特征与目标间非线性关系。就标的指数回测而言,我们分别测试了四种构建组合的方式以及对应的四个不同调仓周期,结果显示等权模型不同周期的预测值和短周期(五日)调仓结果最优。 ★ 在不同 ETF 标的池下的回测结果 我们构造 ETF 组合的方式为五日调仓,以等权不同周期预测值生成标的指数信号,最后回溯至跟踪标的指数的(近一个月成交量最大)ETF 产品构造组合。同时,我们分别在全市场 ETF(剔除宽基)标的池、股票型 ETF 标的池、主题指数型 ETF 标的池和行业指数 ETF 标的池滚动测试效果,结果显示除了行业指数ETF 标的池外,其余组合相较于中证 800 和标的池平均的超额收益均显著。 ★ 风险提示 指标计算和策略收益基于历史数据得出,不排除失效的可能性。 [Table_Analyser] 王冬黎 金融工程首席分析师 从业资格号:F3032817 投资咨询号:Z0014348 Tel: 8621-63325888-3975 Email: dongli.wang@orientfutures.com [Table_Analyser] 联系人 徐凡 金融工程助理分析师 从业资格号:F03107676 Tel: 8621-63325888-3975 Email: fan.xu@orientfutures.com [Table_Report] [Table_Title] 如何从 ETF 的提纯 Alpha 中学习信息 深度报告——金融工程 金融工程-深度报告 2024-01-22 2 期货研究报告 【行业研究】 目录 1. 被动指数化投资是未来的趋势...................................................................................................................................... 5 1.1. ETF 产品逐渐丰富,其交易热度和关注度逐渐增加 ................................................................................................ 5 1.2. 主动管理产品的超额收益逐渐减少,被动产品的优势逐渐显现 .............................................................................. 6 1.3. 以自下而上的视角,构建截面打分的 ETF 轮动策略................................................................................................ 6 2. 截面打分模型:变量选取、目标构造和深度学习模型 ................................................................................................ 7 2.1. 变量选取:成分股特征和指数行情特征 .................................................................................................................... 7 2.2. 目标构建:回归后的 Alpha 是更稳健的目标 ............................................................................................................. 9 2.3. 深度学习模型的构造及训练机制 ............................................................................................................................. 10 3. 回测结果:等权集成模型和短周期调仓是组合关键 ................................................................................................. 13 3.1. 全市场 ETF(剔除宽基)产品池的组合结果 .......................................................................................................... 16 3.2. 股票型 ETF 产品池的组合结果 ................................................................................................................................ 16 3.
[东证期货]:金融工程深度报告:如何从ETF的提纯Alpha中学习信息,点击即可下载。报告格式为PDF,大小2.6M,页数20页,欢迎下载。