【华泰金工林晓明团队】今年以来 AlphaNet 超额收益 1.39%——人工智能选股周报20220116

             SFC No. BPY421  研究员

何   康   S0570520080004 

             SFC No. BRB318  研究员

李子钰  S0570519110003  研究员   

报告发布时间：2022年1月16日

双周频调仓AlphaNet今年以来相对中证500超额收益为1.39%

双周频调仓AlphaNet模型上周超额收益为0.24%，今年以来超额收益为1.39%。模型2011年回测以来年化超额收益率为15.23%，信息比率为2.65，Calmar比率为1.94。模型构建的组合当前PE_TTM为69.21倍，PB_LF为7.33倍，ROE(2021Q3，未年化)为3.99%。本周我们推荐5篇AI量化投资文献，主题涉及多周期预测、订单簿数据、端到端的预测+组合优化、图神经网络等。

日内交易机会：中证1000＞沪深300＞中证500

采用人工智能方法，对全市场个股和主要宽基指数近20个交易日交易机会进行评测。交易机会评分衡量资产价格“非随机程度”，评分越高，代表近20个交易日1分钟收益率越远离随机构造的资产价格收益率序列，说明该资产越不满足弱有效市场假说，日内交易机会越大。主要宽基指数最新交易机会从高到低排序为：中证1000＞沪深300＞中证500（截至2022-01-14）。沪深300和中证500指数上周交易机会相比前一周下降，中证1000指数上周交易机会相比前一周基本持平。

2021年以来公募中证500指数增强基金平均超额收益为4.81%

截至2022年1月14日，公募沪深300指数增强基金上周平均超额收益为0.29%，最近一个月平均超额收益为-0.16%，2021以来年平均超额收益为2.39%。公募中证500指数增强基金上周平均超额收益为0.60%，最近一个月平均超额收益为0.10%，2021以来年平均超额收益为4.81%。

风险提示：通过人工智能模型构建选股策略是历史经验的总结，存在失效的可能。人工智能模型可解释程度较低，使用须谨慎。本报告对基金历史数据进行梳理总结，不构成任何投资建议。

AI量化投资文献推荐

我们整理部分近年来的AI量化投资文献，列举如下：

1)Temporally Correlated Task Scheduling for Sequence Learning. ICML 2021

关键字：序列学习，多周期预测

2)Multi-Horizon Forecasting for Limit Order Books: Novel Deep Learning Approaches and Hardware Acceleration using Intelligent Processing Units. 2021

关键字：订单簿数据学习，多周期预测，硬件加速

3)A Surrogate Objective Framework for Prediction+Optimization with Soft Constraints. NIPS 2021

关键字：端到端的预测+优化，软约束优化

4)End-to-End Risk Budgeting Portfolio Optimization with Neural Networks. 2021

关键字：端到端的预测和组合优化，风险预算模型

5)Modeling the Momentum Spillover Effect for Stock Prediction via Attribute-Driven Graph Attention Networks. AAAI 2021

关键字：图神经网络，动量溢出效应。

AlphaNet近期表现

华泰金工团队携手INSIGHT金融数据服务，对外提供AlphaNet因子，用户可以直接通过INSIGHT提供的相关数据API快捷高效的接入数据。AlphaNet因子数据通过INSIGHT金融数据服务平台（https://huatech.htsc.com.cn/productDetailInsight）以API接口的形式提供，需要预先下载query数据查询服务SDK并获取账号。利用Python SDK进行证券信息查询时，需要向服务器发送查询请求request_query，查询请求需要配置的参数为queryType（查询请求类型）和queryParams（查询请求参数）。

AlphaNet因子的queryType为1401010003，queryParams包含三项参数：HTSC_SECURITY_ID为标的代码，START_DATE为起始日期，END_DATE为查询结束时间。返回值为JSON格式。具体使用方式请参考INSIGHT Python SDK用户使用手册及INSIGHT数据字典。申请试用，请联系您的华泰客户经理，或发送邮件至digi_tech_supp@htsc.com。

本章跟踪双周频调仓的AlphaNet-v2.2模型(模型细节可参见报告：《AlphaNet改进：结构和损失函数》)。模型近期表现如图表2~图表7所示。

我们采用人工智能方法，对全市场个股和主要宽基指数近20个交易日交易机会进行评测，计算并展示交易机会评分和分布热力图：

1)交易机会评分衡量资产价格“非随机程度”，评分越高，代表近20个交易日1分钟收益率越远离随机构造的资产价格收益率序列，说明该资产越不满足弱有效市场假说，日内交易机会越大。

2)交易机会分布热力图反映1分钟K线各时刻对于机器学习模型区分真实与构造序列的重要性，热力图的值越大，代表该时刻及附近时刻的收益率越不随机，交易机会越大。

具体计算细节请参考华泰金工研究报告《人工智能25：市场弱有效性检验与择时战场选择》（2019-11-17）。

个股交易机会评分

以下两张表格分别展示沪深300股票池和中证500股票池近5个交易日每日交易机会评分均值排名前60成份股。

指数交易机会评分

以下展示沪深300指数（彭博代码：SHSZ300）、中证500指数（彭博代码：SH000905）和中证1000指数（彭博代码：CSI1000）2021年1月初至今交易机会评分。三只指数最新交易机会从高到低排序为：中证1000＞沪深300＞中证500（截至2022-01-14）。沪深300和中证500指数上周交易机会相比前一周下降，中证1000指数上周交易机会相比前一周基本持平。

指数交易机会分布热力图

以下三张图表分别展示沪深300、中证500和中证1000指数近5个交易日日内交易机会热力图。

我们选取公募基金旗下的68只沪深300指数增强基金和65只中证500指数增强基金，分析指数增强产品的业绩表现。下图展示了近期沪深300指数增强基金和中证500指数增强基金按规模加权的平均超额收益情况。

下表展示了规模排名前5的沪深300指数增强基金和中证500指数增强基金。

金融周期系列研究（资产配置）