投资要点
　　最为常见的技术分析手段就是“看图”。由于人性相近，在相同的外部条件下，人们通常有相近的反应。这一切都会在图中表现出来。技术分析和相关的量价因子，在金融学界和投资界都有广泛的应用。
　　笔者过往报告《AI能否学会看图选股——机器学习系列》，使用股票的K线图作为特征，股票收益作为分类标签，使用卷积神经网络（CNN）训练分类模型。在低价股这个样本中，我们使用2011年至2018年的数据训练模型，在2019年至2023年的数据进行推理。将预测结果视作因子值，预测未来一个月收益的IC均值约6.0%，IR约1.06。对预测结果用排序法检验，多空组合的年化收益率约26%，夏普比率约3.8。多因子回归检验，Top多头组合和多空组合都有显著的alpha。
　　这里我们把类似的方法论应用到对指数的研究：我们使用指数的K线图作为特征，指数收益作为分类标签，使用卷积神经网络（CNN）训练万图师AI模型。为了提高模型的效力，我们采用了逐年滚动训练的方法，使用过去十年的数据训练，在随后一年进行推理。
　　基于万图师AI在样本外数据上推理所得的结果，我们构造兼顾选股（指数）和择时的周频换仓策略，即每期选择得分较高且满足阈值的指数作为多头组合。我们在2019年至2023年6月进行推理和回测。无摩擦交易情况下，该策略在行业主题ETF指数上年化收益约31.3%，夏普比率约1.63。有摩擦交易的情况下，该策略在行业主题ETF指数上年化收益约26.9%，夏普比率约1.48。
　　风险提示：本报结论基于公开的历史数据进行统计、测算，文中部分数据有一定滞后性，同时存在第三方数据提供不准确风险；对基金产品和基金管理人的研究分析结论并不预示其未来表现，也不能保证未来的可持续性，亦不构成投资收益的保证或投资建议；产品的表现受宏观环境、行业基本面超预期变动、市场波动、风格转换等多重因素影响，存在一定波动风险。