论文部分内容阅读
指数增强策略是在控制对基准指数的跟踪误差的前提下,追求超越基准指数的表现,能够兼顾Beta和Alpha的收益。从投资理念上来看,指数增强基金是主动投资和被动投资的有机结合。近年来,指数增强型基金凭借着其低费率、调仓透明度高、长期收益优异等特点,得到机构和个人投资者的关注。同时,可获得的数据增多和技术进步为投资研发提供了广阔的空间。本文将数据科学领域的随机森林算法引入选股框架,利用其优质的分类能力筛选优质股票,并尝试应用股票市场上的低波动异象来分配组合中的个股仓位,以期获得平稳可观的收益。首先,本文研究了国内公募指数增强型基金的发展历程、现状和趋势。从数量和规模来看,国内指数增强基金处于上升通道,2018年末公募指数增强基金数量达到106只,规模达到575亿元。业绩方面,大部分战胜跟踪指数,且年跟踪误差保持在8%之内。具有良好的发展势头和配置价值。指数增强基金的增强方式,自上而下可分为仓位控制(中长线择时)、行业轮动、风格轮动、选股等。业绩归因结果显示,选股对于基金的超额收益贡献最大。对于资金规模更大、风控要求更高的公募基金来说,量化选股是有效的增强方式。中国金融市场实现相对成熟仍需要一段时间,这为指数增强基金获取alpha收益提供了可能性。未来A股市场的投资者机构化,叠加目前市场的低估值,市场beta具有战略配置价值。投资目标为alpha+beta的指数增强基金遇到了良好机遇,具有投研价值。然后,本文构建了随机森林选股模型的基本框架,包括因子库建立、利用随机森林得到因子重要性评分、结合因子重要性评分对股票打分并分行业筛选三大部分。因子库囊括了基本面、技术指标、估值类、市场情绪等46个因子。通过随机森林分类算法输出的因子重要性评分可以看出,收益因子的演变由动量、质量、分红因子转向价值、估值、波动率、流动性等因子,其中权益净利率、营收增长率等基本面因子开始活跃,表明国内投资者愈发成熟,开始注重价值投资。利用因子重要性评分对股票池中个股打分,结合沪深300成分股行业分布特点设定每个行业入选股票数量,分行业选出评分较高的30只股票。对于筛选出的股票,笔者做了简单的等权重持仓业绩回测,回测期间为2012年4月5日到2018年9月28。策略盈利稳定性方面,以年为周期,7年里策略组合均相对于沪深300上涨,年胜率为100%。以季为周期,26个季度里策略组合有16个季度相对上涨,季度胜率为61.54%。策略组合总回报71%,年化收益率为7.3%。同期沪深300总回报40.81%,策略组合相对回报30.91%。选股收益较为可观。最后,本文基于行为金融学中的低波动异象,对随机森林算法选出的股票,按历史波动率小的低配持仓比重、大的超配持仓比重,进行了投资组合个股仓位的调整。在2012年4月到2018年9月期间,总回报率为117%,超额收益率为77%,年化收益率11.34%,大幅跑赢沪深300指数。相对于等权重组合,低波动组合收益更佳,可以看出低波动因子本身就是一个alpha因子,能够获取超额收益。投资组合风险指标方面,低波动组合年化波动率为22.28%,较等权重组合有所降低。贝塔系数上,等权重组合为1.01,低波动组合则实现小于1,为0.93.有效控制了资金曲线的波动程度,满足了指数增强型基金的低风险偏好。总的来说,本文的低波动随机森林指数增强策略为投资管理提供了新的思路。