本期投资提示：
　　今年以来，主动基本面投资“失灵”了？自2022年底开始，传统的主动权益基金表现弱势，一批完全依赖人工智能（AI）进行选股的量化策略在此期间脱颖而出，这让人不禁质疑：是否我们正处于一个即将由机器在投资领域全面取代人类的时代？
　　 AI选股具有黑箱属性：AI选股模型可直接生成股票组合，因此具有一定的“黑箱”属性，使得其投资决策过程更接近于AI在担任基金经理，但不完全是：AI策略的投资团队主要担任搭建、算法、调参、维护模型等工作，AI策略选出来的股票也需要以基金经理为最终决策人，后续的维护和更新也离不开投资团队。
　　 AI策略门槛使用门槛没有想象中高：相比最先进的人工智能算法，已经有开源资源的算法目前同样在选股上有效，使用的门槛并不高，可能会导致AI策略被广泛使用。
　　 AI策略的投资收益主要来自量价，现阶段还无法全面取代人类：我们比较了仅输入量价数据进行学习和输入基本面信息进行学习的AI策略，发现仅输入量价数据的AI策略表现更好，目前AI策略的优势领域主要在量价信息，今年AI策略的强势也跟市场风格相关。未来随着算法的更新，AI的能力圈有望拓宽。
　　 AI在投资行为上相比一个纪律性的投资框架更像一个人：我们以市值风格为例进行观察，AI策略在市值风格上整体跟随市场风格，短期会尝试提前判断拐点，也能够在风格趋势持续的时候维持市值风格，充分获得风格趋势的收益。AI灵活的调整策略与一个纪律化、规则固定的投资系统有明显不同，其符号方向可变、大幅度调整、灵活跟随市场使用趋势和反转都是传相较统线性量价因子的独特优势。
　　 AI策略的灵活性也同样是黑箱属性的体现。对于传统多因子框架，可以将AI策略作为一个因子纳入传统的因子框架，根据因子本身的动量进行赋权，可以一定程度上减少策略黑箱的影响。
　　当前而言，我们对主动权益投资人员的建议仍然是坚守基本面投资，静待基本面行情归来。当AI策略进一步在基本面上取得进步，是否会在基本面领域挑战主动权益投资？一方面，AI的能力发展还需要比较长的时间，另一方面，量价投资是零和游戏，而基本面投资不是。AI策略在量价的普遍使用将会使得量价收益衰减归零，而AI在基本面投资领域的普遍使用，可能会使得企业盈利以外的收益加速归零，反而使得基本面投资变得更加纯粹。
　　风险提示及声明：模型根据股票历史数据、Wind和同花顺等第三方数据构建，历史表现不代表未来，市场环境发生巨大变化时模型可能失效。本报告不涉及对未来走势的预测。阅读本报告时，投资者需结合自身风险偏好及风险承受能力，充分理解产品的波动、风格、历史表现、风险等因素。本报告不涉及基金评价业务，不涉及对基金公司、基金经理、基金产品的推荐。

研究报告全文：权益量化研究2023年09月04日机器能否在股票投资上全面取代人权益类量化申万宏源金工对AI选股策略的探索与思考研究相关研究本期投资提示证今年以来主动基本面投资失灵了自2022年底开始传统的主动权益基金表现弱券势一批完全依赖人工智能AI进行选股的量化策略在此期间脱颖而出这让人不禁质研疑是否我们正处于一个即将由机器在投资领域全面取代人类的时代究证券分析师报邓虎A0230520070003AI选股具有黑箱属性AI选股模型可直接生成股票组合因此具有一定的黑箱属性告denghuswsresearchcom使得其投资决策过程更接近于AI在担任基金经理但不完全是AI策略的投资团队主要联系人担任搭建算法调参维护模型等工作AI策略选出来的股票也需要以基金经理为最终邓虎862123297818决策人后续的维护和更新也离不开投资团队denghuswsresearchcomAI策略门槛使用门槛没有想象中高相比最先进的人工智能算法已经有开源资源的算法目前同样在选股上有效使用的门槛并不高可能会导致AI策略被广泛使用AI策略的投资收益主要来自量价现阶段还无法全面取代人类我们比较了仅输入量价数据进行学习和输入基本面信息进行学习的AI策略发现仅输入量价数据的AI策略表现更好目前AI策略的优势领域主要在量价信息今年AI策略的强势也跟市场风格相关未来随着算法的更新AI的能力圈有望拓宽AI在投资行为上相比一个纪律性的投资框架更像一个人我们以市值风格为例进行观察AI策略在市值风格上整体跟随市场风格短期会尝试提前判断拐点也能够在风格趋势持续的时候维持市值风格充分获得风格趋势的收益AI灵活的调整策略与一个纪律化规则固定的投资系统有明显不同其符号方向可变大幅度调整灵活跟随市场使用趋势和反转都是传相较统线性量价因子的独特优势AI策略的灵活性也同样是黑箱属性的体现对于传统多因子框架可以将AI策略作为一个因子纳入传统的因子框架根据因子本身的动量进行赋权可以一定程度上减少策略黑箱的影响当前而言我们对主动权益投资人员的建议仍然是坚守基本面投资静待基本面行情归来当AI策略进一步在基本面上取得进步是否会在基本面领域挑战主动权益投资一方面AI的能力发展还需要比较长的时间另一方面量价投资是零和游戏而基本面投资不是AI策略在量价的普遍使用将会使得量价收益衰减归零而AI在基本面投资领域的普遍使用可能会使得企业盈利以外的收益加速归零反而使得基本面投资变得更加纯粹风险提示及声明模型根据股票历史数据Wind和同花顺等第三方数据构建历史表现不代表未来市场环境发生巨大变化时模型可能失效本报告不涉及对未来走势的预测阅读本报告时投资者需结合自身风险偏好及风险承受能力充分理解产品的波动风格历史表现风险等因素本报告不涉及基金评价业务不涉及对基金公司基金经理基金产品的推荐请务必仔细阅读正文之后的各项信息披露与声明权益量化研究目录1今年以来量化和AI策略表现出色主动基本面投资失灵了52AI是如何选股的721AI为什么能够学会选股722AI可以当基金经理吗923搭建AI策略的门槛高吗1224AI策略赚的什么钱143机器VS人类谁能胜出1731AI做投资表现如何1732机器的行为特征分析AI做起投资来是像人还是像机器19321市值特征最佳的观察窗口19322AI更像人是优势还是劣势2233AIvs人类各自优势何在23331AI策略能跑赢今年最强的传统量价因子吗23332人类相较AI策略存在优势244没有永远的成长只有永远的周期2641未来AI可能的演变路径2642算力会如何影响AI策略2743给主动权益的建议静待基本面归来295附录对321其他因子份额表现分析316风险提示及声明33请务必仔细阅读正文之后的各项信息披露与声明第2页共34页简单金融成就梦想权益量化研究图表目录图12019-2021年主动权益表现出色5图22023年指增为代表的量价超越主动基本面5图32023年累计收益率6图4AI策略指增产品2023年表现6图5CAPM示意8图6神经网络不断修正神经元权重来实现拟合8图7神经网络示意9图8框架图AI策略的流程11图9人工智能发展历史12图10本文网络结构示意13图11框架图AI策略的流程14图12纯量价在AI策略中表现更好15图13数据划分示意16图14五档累计收益比较17图15AI策略自有组合相对指数超额累计收益率17图16AI策略自有组合多空累计收益率17图17与市场指增产品比较19图18AI组合的市值特征月度比较20图19市值表现日度比较-反转区间121图20市值表现日度比较-反转区间221图21市值表现日度比较-持续区间22图22五档累计收益比较-过去一个月波动率23图23低波组合VS自有组合24图24Transformer模型应用场景快速增长26图25机器学习算力需求加速增长26图26芯片能力十年内提升1000倍27图27ChatGPT模型参数规模逐代提高28图28底部光头大阳线技术形态在不同年份的表现差异较大29请务必仔细阅读正文之后的各项信息披露与声明第3页共34页简单金融成就梦想权益量化研究图292019-2021年主动权益表现出色30表12019-2023各年累计收益率5表2不同投资策略的比较10表3不同投资策略基金经理的角色差异10表4所用因子名列16表55组年度收益18表65组年度超额收益18表7AI策略和人类基金经理各有所长25附图1PE表现月度比较31附图2PB表现月度比较31附图3波动率表现月度比较31附图4流动性表现月度比较31附图5动量表现月度比较32附图6动量表现日度比较-反转区间33请务必仔细阅读正文之后的各项信息披露与声明第4页共34页简单金融成就梦想权益量化研究1今年以来量化和AI策略表现出色主动基本面投资失灵了2019年至2021年间得益于消费新能源等基本面行情的驱动主动权益基金迎来了一波发展大潮以同花顺偏股混合型基金指数701013TI为例2019年至2022年累计收益率9863最高达164表现远超宽基指数特别是2020年该指数当年收益率达5617相比之下当年上证指数中证500沪深300的收益率分别为125718652550这几年间指数增强基金相对指数获得了不错的超额收益却仍不及主动权益基金以同花顺增强指数型基金指数701006TI为例其2020年收益率36882019年至2022年累计收益率7257图12019-2021年主动权益表现出色资料来源同花顺申万宏源研究表12019-2023各年累计收益率年份偏股混合型基金指数增强指数型基金指数上证指数中证500沪深30020194797403723722750379520205854388813872090272120217409114801560-5202022-2116-1886-1512-2030-21632023-823-224138-148-226资料来源同花顺申万宏源研究2023年数据截止至2023年8月18日然而自2022年底开始随着小股票行情的兴起传统的主动权益基金表现出现颓势基本面投资有失灵的趋势今年以来A股整体呈现小幅震荡下跌格局截至2023年8月18日各宽基指数均有不同程度下跌上证50中证500沪深300分别下跌507299和267而偏股基金指数的表现弱于大部分宽基指数同期跌幅达941图22023年指增为代表的量价超越主动基本面请务必仔细阅读正文之后的各项信息披露与声明第5页共34页简单金融成就梦想权益量化研究资料来源同花顺申万宏源研究与主动权益相比量化与指数增强产品一扫前几年的颓势在年震荡行情下表现出更好的市场适应性截至2023年8月18日指增基金收跌329整体上优于主动权益基金图32023年累计收益率资料来源同花顺申万宏源研究截止至2023818尤其值得关注的是一批完全依赖人工智能AI进行选股的量化策略在此期间脱颖而出颠覆了传统的投资框架在投资业绩上也取得了不错的表现我们这里选取了中证500指增产品中部分可能以AI策略为主的代表性产品为例几只产品相较标的指数都有较高的超额表现截至2023年8月18日如下图所示这些产品都大幅超越基准并领先整体指数增强产品图4AI策略指增产品2023年表现请务必仔细阅读正文之后的各项信息披露与声明第6页共34页简单金融成就梦想权益量化研究资料来源同花顺申万宏源研究在2023年ChatGPT横空出世人工智能技术大规模爆发的背景下这些具有先进算法的投资策略不仅引发了市场关注其较为出色业绩也让人不禁质疑是否我们正处于一个即将由机器在投资领域全面取代人类的时代接下来我们在本文里以一个自建的AI选股策略为例尝试去解答这个问题本文的目的并不在于构建一个优异的策略为投资者所参考而是通过构建策略和对其解析我们想要以清晰易懂的文字向投资者解答AI策略如何运作门槛如何赚的是什么钱AI策略的优异之处体现在哪里最终回到本文的标题AI能否在投资领域取代人类需要说明的是本文的自建AI选股策略在算法技术细节上不能代表当前行业的最前沿水平我们更多是借助这个自建策略为例去了解AI策略的一些特征为投资者提供一些参考对以上问题的回答也建立在我们这个不够先进的模型基础之上或许对AI的策略认识有所偏颇也敬请各位读者批评指正2AI是如何选股的在本文的第二部分我们尝试构建一个我们的自有AI策略并在构建的过程中去观测AI策略的一些特点重点解答AI策略的输入数据和输出数据是什么构建一个AI模型的门槛高吗AI策略赚的是什么钱我们不去展示模型的复杂数学公式和调参细节而是强调逻辑和一些直观的结论希望提供给读者一个清晰易懂的框架来理解AI策略21AI为什么能够学会选股本小节介绍了AI模型强大学习能力的基础神经网络以及其非线性拟合的特点本小节涉及AI的一些基础原理如读者觉得繁琐可跳过该部分并不影响本文的后续阅读在经典的市场分析框架中如资本资产定价模型CAPM或Fama-French三因素模型都是假设各个变量之间的关系是简单而线性的请务必仔细阅读正文之后的各项信息披露与声明第7页共34页简单金融成就梦想权益量化研究图5CAPM示意资料来源申万宏源研究然而股票市场是一个高度复杂和动态的系统不只是线性关系影响着股价事实上市场上有数不清的宏观和微观因素这些因素以复杂和多变的非线性方式影响着股价这种非线性关系难以捉摸因为它们往往没有一个清晰定义的数学表达式尤其是当涉及到缺乏明确表达式的非线性关系时传统的线性模型在捕捉这种复杂性方面具有明显的局限性这就是神经网络和其他AI策略发挥作用的地方与传统的线性模型相比神经网络能够通过其内部结构来模拟复杂的非线性关系这主要是通过多层神经元和非线性激活函数的组合来实现的这样神经网络可以学习未知或难以表达的非线性关系并据此进行预测在神经网络的学习过程中神经网络会不断调整参数来实现目标如下图所示图中的小圆圈可以理解为一个个神经元红色曲线相当于最终要拟合的函数从左图一开始只能大致组合成一个自左下到右上的趋势到图二能有一些弧度再到图三几乎已经完全拟合了红色权重这样的一个过程可以作为神经网络拟合的示意图图6神经网络不断修正神经元权重来实现拟合资料来源申万宏源研究请务必仔细阅读正文之后的各项信息披露与声明第8页共34页简单金融成就梦想权益量化研究正如上面这个例子所示神经网络在理论上可以拟合任何函数这是由神经网络的多层结构和激活函数的非线性特性所决定的只要神经网络具备足够多的神经元和适当的激活函数它就可以以任何精度拟合任何连续函数这意味着神经网络可以表达出任何复杂的函数关系而不需要事先对函数进行明确的建模或假设特定的函数形式图7神经网络示意资料来源申万宏源研究22AI可以当基金经理吗本小节我们来介绍构建AI策略的框架这里涉及到一个核心问题AI策略的基金经理是管理策略的人还是AI本身是基金经理我们认为由于AI策略本身具有一定的黑箱属性策略具有一定的不透明性使得其投资决策过程更接近于AI在担任基金经理但不完全是在AI策略中AI策略最终输出的结果就是预测未来收益率更高的一批股票而算法如何做出选到这些股票的决策通常是不可解释或难以解释的在复杂的深度学习策略中所用到的模型可能包含数百万个参数即使是专业人员往往也难以准确地解释模型如何到达某个特定决策这种黑箱特征使得AI策略与主动投资PBROE框架以及经典的量化多因子框架都区别开来在传统的投资框架中基金经理能清楚的知道这些股票被选入组合的原因或是经过基本面研究后业绩倍受认可的行业龙头或是PB够低ROE又足够高请务必仔细阅读正文之后的各项信息披露与声明第9页共34页简单金融成就梦想权益量化研究的数值甚或是在估值动量成长因子的得分足够高使得综合得分靠前但只有AI策略目前选出来的股票是难以被解释的AI策略与传统投资框架相比尤其与同在量化领域的多因子策略相比选择哪些因子因子的经济逻辑都是由基金经理决定的这也使得多传统的量化因子策略是体现基金经理投资理念的工具而AI策略中基金经理的工作更多体现在算法框架调参防止过拟合换手与敞口限制跟踪管理等工作具体选出股票的逻辑不由基金经理体现表2不同投资策略的比较投资策略输入信息输出信息框架模型目标公司基本面信息行业发根据不同的投资理念或选择价值低估的优主动投资符合投资理念的上市公司展趋势宏观环境等质公司或选择快速成长的上市公司市净率PB净资产收符合条件的股票池再进PB-ROE框益率ROE为主兼顾一步基本面判断后成为投寻找价值低估且盈利良好的上市公司架其他基本面信息资组合估值盈利成长量价获得多个因子而不依赖单一因子综合得分标准多因子综合得分最高的股票组合等多个因子靠前的股票赚取稳健的超额收益AI策略以量价因子为主直接生成股票组合预测未来收益最好的股票组合资料来源申万宏源研究这种黑箱特征可能会在模型表现失效时出现投资者的不信任问题这一度是量化基金普遍面临的现象投资者往往只能依据业绩表现选择产品这个问题在AI策略上被进一步放大了但我们说AI并不完全在担任基金经理离开优秀的投资团队AI策略从一开始就难以搭建正如前文所述投资团队在AI策略担任算法调参维护模型等工作如果缺少框架上的设计和精心调试模型难以表现出适应市场的特征也有可能出现过拟合等情况第二AI策略选出来的股票仍然要以基金经理为最终决策人AI策略的股票池最终是否落地投资是否部分公司有基本面上的瑕疵或者模型与当前风格是否已经出现不匹配这都赋予基金经理职责进行最终投资决策并要为最终投资决策负责第三即使是策略已经开始运行投资团队对于后续产品的运作也非常关键如算法更新带来的框架上的更新市场结构变化导致模型出现失效后的调试对于模型运行的跟踪以及对策略收益的理解这些都是不可或缺的只是相比传统投资基金经理的角色以及与AI的关系发生了较大的变化表3不同投资策略基金经理的角色差异请务必仔细阅读正文之后的各项信息披露与声明第10页共34页简单金融成就梦想权益量化研究分类维度AI策略的基金经理传统主动权益的基金经理不体现投资理念或者说整个投价值投资或者选择成长风格或者投资理念资理念偏黑箱风格均衡配置等不同的投资理念架构的设计参数的调试模型宏观环境研究上市公司基本面分工作内容的维护和更新析调研等熟悉人工智能算法结构熟悉行业研究或基本面研究出身对财知识背景证券市场的量化特征务知识行业动态了解策略根据目标可以直接生成投在充分的研究后依赖个人或团队决策过程资标的但由投资团队最终把控判断相对主观相比个人更依赖整个团队对在投研团队的支持基础上高度依对人的依赖性AI算法的理解与熟悉程度这种赖个人依赖呈现艺术性依赖性更多偏系统性和科学性需要频繁归因组合的之前特征跟踪关注上市公司的基本面变化跟踪组合不断升级迭代算法框架打磨细与估值变化节资料来源申万宏源研究接下来我们用一张简易图展示本文所构建AI策略的过程尽可能简化其中的繁琐步骤该架构的建立往往在实盘运行之前需要花费大量时间去构建测算运行调整参数等并不是一蹴而就的而在实际投资中大量的细节工作需要去不断的打磨和优化也是该图所无法体现的图8框架图AI策略的流程资料来源申万宏源研究请务必仔细阅读正文之后的各项信息披露与声明第11页共34页简单金融成就梦想权益量化研究23搭建AI策略的门槛高吗在进一步介绍本文搭建的AI策略特点之前本小节介绍本文构建AI策略的核心算法并进一步解答搭建AI策略对投资团队人工智能数学模型知识的要求高吗换言之不懂原理只会运用的团队能否开发出一个完整的AI选股模型我们的答案是可以的即搭建AI策略的门槛可能没有想象中那么高人工智能的发展历史可以浓缩为算法的发展史几十年来从早期的神经网络开始数学模型上的更新和发展奠定了当代人工智能运用的基础从早期解决计算问题和进行模拟到ChatGPT的横空出世这一切的进步背后都是算法的进步算法的先进性某种程度上决定了该AI策略的先进性最先进的人工智能算法成为各大公司的商业机密不由使人觉得AI策略的门槛高度依赖于算法的先进性一定会成为各大头部公司甚至只有互联网公司才能掌握的金钥匙但有趣的是我们发现在证券市场进行选股运用可能目前而言并不需要最为前沿的技术本文的所选用的算法核心在1997年就已问世其算法代码也可以轻易获得互联网开源的代码但并不妨碍本文构建策略的有效性我们认为一方面是因为证券市场的特殊性其大量时间序列数字数据的特征可能由更匹配的算法来适应更为合适最新的算法未必最为匹配另外一方面虽然算法在1997年就已问世但过去算力的发展才真正支撑这样的运算常规化完成图9人工智能发展历史双向长短期基于早期的神经循环神经网长短期记忆门控循环单记忆网络TransformerTransformer网络络RNN网络LSTM元GRUBiLSTM的模型资料来源申万宏源研究在本文的研究中我们选用了双向长短时记忆网络BiLSTM作为主要的分析工具接下来我们对该算法以及特征进行简单介绍如投资者认为这部分内容较为难懂可跳过该部分不影响本文后续内容的阅读BiLSTM的基础来自长短时记忆网络LSTM在整个AI算法的发展历程中LSTM占据了了重要的地位尤其适合自然语言处理NLP和时间序列分析等领域这一请务必仔细阅读正文之后的各项信息披露与声明第12页共34页简单金融成就梦想权益量化研究模型是循环神经网络RNN的一种扩展这种拓展使得LSTM和BiLSTM等模型具有特别的结构允许它们在更长的时间范围内保留和传递信息这对于捕捉复杂的市场趋势和模式至关重要BiLSTM是LSTM的一种变体双向的LSTM使得前瞻和回顾相结合让模型更能准确地捕捉市场的复杂模式和趋势例如一个股票的涨跌可能不仅受到几天前的市场情况的影响还可能受到更久远的趋势或周期性影响BiLSTM在时序预测中的主要优势在于其能够捕获更加复杂和深入的时间序列模式当面对涨跌多变信息量大且关系错综复杂的股票市场时这种能力尤为宝贵本文基于BiLSTM的神经网络的结构如图所示图10本文网络结构示意资料来源申万宏源研究BiLSTM及LSTM在处理序列数据问题方面曾是一个重要的创新有效地解决了传统RNN递归神经网络的一些局限性一度成为该领域的主流选择然而随着更先进的架构如Transformer的出现LSTM的使用逐渐被这些高效且功能更强大的模型替代尽管如此在某些特定场景和应用中LSTM仍然展示出其独特和有效的性能在AI发展的大背景下尽管LSTM可能已经相对落后但它仍然占有重要的地位尤其在处理时序数据和自然语言处理方面具有不可替代的作用在本文使用的结请务必仔细阅读正文之后的各项信息披露与声明第13页共34页简单金融成就梦想权益量化研究果来看即使不是最新的AI模型甚至已经在人工智能的理论层面已经有二十余年历史但模型也足以在后文的测算中提供出色的表现加之常见神经网络的模型都可以获得开源代码现阶段AI策略的使用门槛实际已并不高当然必须承认的是本文的纸面测算距离实际投资还有着较大的距离也不代表业界的最前沿水平更多的是说明构建起一个可以运行的AI选股策略的门槛不高AI策略使用的低门槛可能会导致未来AI策略的广泛使用而这种广泛使用会反过来提升AI策略的门槛从目前的算法开源互联网可获得数据低要求来看目前使用成熟算法进行AI策略开发不太需要投资策略完全了解其算法的数学模型仅仅会使用也能开发策略在当前市场环境下AI策略的有效性必然会激发更多团队尝试开发AI策略最终相对简单的框架可能会失效在细节的进一步打磨以及对更先进算法的掌握可能会成为投资团队的必备武器最终在整体上提升了使用AI策略的门槛此外本文测算过程中LSTM的够用不代表这种低门槛状态会一直持续下去且不论本文的回溯与实际投资存在着的较大差距随着人工智能算法的进步更先进更强大的算法或许能够对现有的算法实现全方位的替代也会对AI策略的门槛进一步提升如未来人工智能如能够对文本识别新闻识别等拥有更大的能力时其能力圈或许会超出拥有时间序列特征的LSTM这些方向也是当前的AI策略团队在不断努力尝试的方向24AI策略赚的什么钱接下来本小节通过不同输入信息的策略比较来看探讨一个主动权益投资人员最为感兴趣的话题在基本面投资不易获取收益的2023年AI策略到底赚的是什么钱对于主动基本面权益投资来说其收益主要来源于企业的盈利基金经理和研究员的工作是选出具有持续或增长盈利能力的公司因此收益主要是企业盈利能力和市场估值的结果传统量化多因子策略采用更为综合的方法不仅侧重于企业的基本面信息如财报还会考虑量价信息它综合运用多种因子包括但不限于动量价值质量和规模等以预测股票的未来表现因此其收益来自财报和分析师预测的基本面数据同时也包括部分的量价关系而与之相比基于AI的量化策略收益来源又是如何图11框架图AI策略的流程请务必仔细阅读正文之后的各项信息披露与声明第14页共34页简单金融成就梦想权益量化研究资料来源申万宏源研究在我们的模型开发过程中我们一开始选择了将更多信息放进输入信息包括估值财报业绩等数据但最终发现包含了基本面信息生成策略的效果不如只保留量价相关的数据尤其是近几年量化因子有效性提升后只对纯量价信息进行学习的策略表现开始显著跑赢并成为我们最终选取的策略图12纯量价在AI策略中表现更好资料来源Wind申万宏源研究两个模型在算法上略有差异本文的效果仅供参考以上纯量价的模型是从中证500指数成分股内选股进行指数增强为目标的模型采用未来21个交易日的累计涨跌幅作为标签以过去21个交易日的日的数据序列进行拟合在调仓周期上月度进行调仓训练验证上以过去2年作为训练集抽取20的样本作为验证集进行训练流程图如下图所示请务必仔细阅读正文之后的各项信息披露与声明第15页共34页简单金融成就梦想权益量化研究图13数据划分示意资料来源申万宏源研究从该策略的输入信息角度来看可以给出这样的一个结论AI选股策略主要赚的是量价的钱这就一方面解释了AI策略近年来表现的强势策略的优异表现有自身的优势也与量价有效的市场环境密不可分也有助于理解AI策略在能力圈上的边界吸纳了基本面信息的AI策略反而表现更差这说明至少在本文使用的AI算法里其对包含了更多文字的基本面信息学习能力并不算强而且这种能力范围与传统的主动基本面投资几乎完全没有重叠下表展示了本文策略最终的输入数据信息可见几乎全部都是开盘价收盘价最高价最低价之类的信息没有任何基本面信息的输入表4所用因子名列中文名释义复权昨收盘价元昨收盘价复权因子复权最高价元最高价复权因子复权最低价元最低价复权因子复权收盘价元收盘价复权因子涨跌幅ROUNDSDQCLOSE-SDQPRECLOSE100SDQPRECLOSE2成交量手成交金额千元周涨跌幅本周以来的涨跌幅月涨跌幅本月以来的涨跌幅日换手率当日成交量当日流通股股数100主买比率主动性买入成交金额占总成交金额的比例主卖比率主动性卖出成交金额占总成交金额的比例大买比率大单买入成交金额占总成交金额的比例注所谓大单机构单大户单沪市大卖比率大单卖出成交金额占总成交金额的比例资料来源Wind申万宏源研究当策略构建到这里似乎可以一定程度上解答本文的标题提问机器能否在投资上全部取代人类目前来看如果只做量价的AI是显然不能的至少不能做到全面替代人类但我们仍然需要进一步去观察AI策略在量价上是否展现出了独特的优势请务必仔细阅读正文之后的各项信息披露与声明第16页共34页简单金融成就梦想权益量化研究甚至我们需要考虑未来随着算法的升级迭代当AI策略对文本基本面信息的学习能力增强后能否进一步真正实现对人类的替代呢3机器VS人类谁能胜出31AI做投资表现如何本文不花篇幅赘述复杂的调参过程我们直接以上一章构建的组合来看AI选股策略的结果下图展示了本文构建AI选股策略的效果从2015年末开始进行分析预测这些股票被从低到高分为五个不同的组别最上面的第五组实现了明显大幅超于中证500指数的收益作为本文构建的AI选股策略的自有组合图14五档累计收益比较资料来源Wind申万宏源研究具体来看2015年末至今自有组合累计超额收益率达101平均年度超额收益率1338在2021年底组合的超额收益有一定幅度的回撤总体上较为稳定右下图展示了AI策略自有组合相对预测收益最低组空头组合的超额收益由于对空头较好的预测能力分组的多空收益上表现要更好回测区间累计多空收益142平均年度多空收益率1877但也在2021年底出现一定幅度回撤图15AI策略自有组合相对指数超额累计收益率图16AI策略自有组合多空累计收益率请务必仔细阅读正文之后的各项信息披露与声明第17页共34页简单金融成就梦想权益量化研究资料来源Wind申万宏源研究资料来源Wind申万宏源研究具体到各个年份上在整体行情较好的2019至2021年组合基准与第五档自有组合本身都有不错的年度收益并且在行情上行时自有组合有着更高的超额收益2023年以来自有组合表现强劲本年度至今累计收益率1078超基准收益率773表55组年度收益12345自有组合中证5002016年-1865-260-221169196-17782017年-1083-259-047-399350-0202018年-4705-3637-3046-2954-2516-33322019年1681279230853790368126382020年670155516741959333820872021年628240623841796278715582022年-2468-1280-544-870-1150-20312023年0403217226541078305资料来源Wind申万宏源研究2023年截止至7月28日表65组年度超额收益123452016年-08815181557194619742017年-1063-239-027-3793712018年-1373-3052863788162019年-958154447115210432020年-1417-533-413-12812502021年-93084882523712292022年-436752148711618812023年-265016417349773资料来源Wind申万宏源研究2023年截止至7月28日我们将自有组合与其他市场上规模较大的中证500指数增强产品比较从2015年末以来自有组合累计收益率6434在主动权益表现较强的大年收益有所落后请务必仔细阅读正文之后的各项信息披露与声明第18页共34页简单金融成就梦想权益量化研究进入2022年下半年后量价因子表现开始提升自有组合表现开始领先在2023年有着较为突出的表现图17与市场指增产品比较资料来源Wind申万宏源研究因此可以看到虽然输入信息仅仅包含了量价信息但策略仍然表现优异从模拟回溯的数据上超越了传统指数增强产品即使只做量价AI策略也展现出了优异的业绩和独特的优势32机器的行为特征分析AI做起投资来是像人还是像机器AI策略的独特和优异的业绩来自于哪里本小节我们从归因的角度去探索AI策略在一些风格敞口上是否有规律可循从而进一步探讨AI做起投资来是像人还是更像一个纪律化的投资体系321市值特征最佳的观察窗口我们这里以组合的市值特征为例通过组合在市场上是偏大市值还是小市值以及后市市值风格对组合带来的贡献去观察AI策略本身行为特征其他角度的分析内容由于篇幅关系放在附录中在结论上总体是一致的每个投资组合都天然具有的市值属性市值也往往具有明显的阶段性趋势在历史上也发生过几次大的风格切换这也便于我们进行观察我们将自有组合的市值大小与中证500指数的平均市值大小进行对比并结合未来的收益表现情况当市值请务必仔细阅读正文之后的各项信息披露与声明第19页共34页简单金融成就梦想权益量化研究收益表现为正时说明大市值个股在未来一期中表现相对更好为负时说明小市值表现更好从月度数据来看自2015年末开始AI自有组合的市值大小上与中证500指数的平均市值大小走势变化基本相似但是在市值收益表现持续为正或为负的周期中组合的市值水平相较中证500均值会表现得更高或更低从下图可知2016年时AI策略的持仓市值要大幅小于指数水平而此时也是小市值更有效的时间大小市值收益表现在零轴以下而随着2017年至2020年整体大市值表现更好时AI策略持仓市值又快速上升超过了指数的市值水平可见AI策略十分有效且幅度较大的坚决跟随市值风格的收益表现进行及时调整2021年以来市值风格再次反转小市值开始变得更好而从2021年开始自有组合的市值也迅速下降至小于500成份股的市值水平图18AI组合的市值特征月度比较资料来源Wind申万宏源研究其中绿色部分为市值收益反转区间黄色为市值收益持续区间我们将在接下来对这三个部分详细分析那么AI策略是不是在市值特征上只是简单的追逐当前更好的市场风格呢为了进一步验证我们选取了市值收益表现的显著转向期区间内进行了日度分析总体上我们选择了两个较为明显的反转区间第一个区间为2016年末起市值的收益表现开始由负转正及由小市值转向大市值第二个区间为2021年起市值收益表现降低小市值因子开始转暖我们分别考察了这两个不同的时间区间在第一个区间里市值收益的表现在2017年初经过一定的波动后从小市值更优转换到了大市值更优从整体这段区间来看AI策略的持仓市值随着市场风格的切换从小市值风格切换到了大市值整体一路上行但中间也有一些来回反复的调整尤其是2017年年中还经历了一些反复的切换在这些时间更短的切换中我们发现AI策略的持仓市值并不完全跟着市场走在2016年9月底发生了小市值表现变强而组合调整持仓市值大幅度上升的情况在请务必仔细阅读正文之后的各项信息披露与声明第20页共34页简单金融成就梦想