基于机器学习的ETF投资研究：打开中短期市场的“黑箱”

[Table_Yemei0] 资本市场研究•专题报告 2021年02月23日 敬请参阅尾页之免责声明 [Table_Title1] 打开中短期市场的“黑箱” ——基于机器学习的ETF投资研究 [Table_summary1] ■ 中短期市场的难预测性折射出深层次问题。中短期市场难以预判的特性，背后所反映的可能是某些尚未被发现、理解、定价的市场特征，由于人类思维的局限性，譬如归纳与演绎推理并非万能，使得该类特征难以被察觉。相对于人类思维的局限，近年以来发展较快的机器学习提供了一定程度的优化方法，本文将通过搭建机器学习投资体系，以期弥补人类大脑在高维数据处理与线性思维的不足，尝试观测市场短期变化的特征，进而提供投资策略的新思路。 ■ 机器学习发展迅速，投资领域不乏先驱。20世纪40年代，机器学习以模仿人类神经元的连接为起点逐步发展，但到了20世纪60年代中叶至70年代中叶，其发展的步伐进入停滞期。1985年，误逆差传播算法（BP算法）又推动了人工神经网络发展的第二次高潮。当前，机器学习的焦点集中在集成学习和深度学习，从应用场景来看，随着机器学习的平台不断扩张，机器学习算法已经应用到诸多领域，以股票市场为例，涌现出了不少著名机构投资者，如文艺复兴科技公司等先驱，通过不断创建、改良算法，创下了令人瞩目的成绩。 ■ 机器学习应用于ETF投资，近三年业绩显著。基于机器学习的特点，不难看到，数据量越大、对预测精度要求越高的领域，机器学习越能发挥其自身优势。市场（尤其是中短期市场）是一个典型的由多维信息构成的大数据集，我们认为机器学习工具能帮助投资者更好地识别金融资产价格的变化模式和可能存在的规律。为此，我们搭建了一套名为阿尔卡纳（Arcana）的纯机器学习投资体系，使其通过不断学习历史信息，识别信号，进而在月度频率上对相关行业ETF做出预判与投资决策，从近三年业绩来看，2018年1月至2020年12月，持仓总收益率243%，平均年化收益率84%，年化夏普率3.75，同期全市场排名6/4895。 ■ 尝试理解短期市场变化，则不应局限于线性思维。阿尔卡纳反映出来的问题是深刻的，我们通过对其业绩回检，不仅发现了A股市场的非稳态性质，即市场并不是始终处在一个确定的状态里，信息/因子并非始终有效，还发现了各类可能被忽视的因子对A股存在的影响，如反腐对ETF价格存在阶段性影响、房价对消费影响明显等现象。因此，在观测短期市场这一问题上，紧盯某些长期因子并不能有效做到市场预判，而应对更广范围的因子进行收集、观测、理解。 [Table_Author1] 朱肖炜 资本市场研究员 ：0755-83169193 ：alphonsezhu@cmbchina.com 刘东亮 资本市场研究所所长 ：0755-82956697 ：liudongliang@cmbchina.com 感谢实习生田孟溱对本文的贡献 i [Table_Yemei1] 资本市场研究•专题报告 目 录 一、中短期市场的难预测性折射出深层次问题 ........................................................ 1 二、机器学习的前世今生 .......................................................................... 2 （一）机器学习的发展历程 ...................................................................... 2 （二）投资决策中融入机器学习的优势 ............................................................ 4 三、机器学习应用于ETF配置的实证检验 ............................................................ 5 （一）标的选取与架构设计 ...................................................................... 5 （二）预测效果和策略表现 ...................................................................... 7 四、短期市场可能存在尚未被发现与理解的特征 ...................................................... 9 （一）非稳态市场：因子对价格并不呈现长期线性影响............................................... 9 （二）反腐对资产价格存在影响：非清廉作风与能源 ................................................ 9 （三）常见的经济现象对价格亦有影响：房价的脉冲式扰动 .......................................... 10 ii [Table_Yemei2] 资本市场研究•专题报告 图目录 图1：公募基金的“赢家诅咒”现象 .................................................................. 1 图2：机器模型发展历程概览 ...................................................................... 3 图3：机器学习应用广泛 .......................................................................... 4 图4：机器学习与人类学习对比 .................................................................... 4 图5：策略净值比较 .............................................................................. 5 图6：标的池简介（截止2020年末） ............................................................... 6 图7：Arcana架构设计 ........................................................................... 6 图8：部分因子数据结构 .......................................................................... 7 图9：预测方向准确率（2018-2020，月频） ......................................................... 7 图10：年度回报对比 ............................................................................. 8 图11：超越同期全市场公募基金百分比情况 ......................................................... 8 图12：阿尔卡纳阶段性择时效果 ................................................................... 8 图13：部分因子对信息技术ETF价格影响力度热力图 ................................................. 9 图14：非清廉因子对于能源ETF因子重要度 ........................................................ 10 图15：房价对于消费ETF因子重要度 .............................................................. 11 图16：中国城镇居民家庭人均年支出情况 .......................................................... 11 1 / 11 [Table_Yemei1] 资本市场研究•专题报告 一、中短期市场的难预测性折射出深层次问题 如何预判股票市场表现？这一问题自出现以来就持续困扰着投资者，从学术界到金融界、机构投资者到个人投资者，无数业界翘楚贡献了大量的经验和成果，但时至今日，人们仍未完全掌握精准预判这个变化多端的市场的方法，市场仿佛一个充斥着大量信息的混沌系统，使得人们对股价、指数的前瞻变的极度困难，因此在面对中短期（如一年以下）市场变化时，投资者多以“立足长期趋势、淡化短期波动”的态度来应对，间接回避了对市场变化特征的探讨。 对中长期投资者而言，对行业发展、企业成长的理解与跟踪是核心要义，也是投资者在穿越中长期市场牛熊风浪中的北极星，从本质上看，这实则是在对中长期投资问题进行归纳与演绎推理。然而每当尝试对中短期的市场进行预判并形成策略时，似乎胜率并不显著，一个具有代表性的例子则是公募基金的“赢家诅咒”（Winner’s curse）现象。 “赢家诅咒”是经济学中对一类现象的称呼，指在谈判中，提议人的提议虽然被接受，但却未必得到了最好的交易结果。该现象发生在很多领域，如出版商预付了高额出版费，但最终却未回本。在A股市场中亦存在该现象，中短期业绩排名靠前的基金不乏市场的追捧，但出色的业绩在随后的时间内较难延续，以2018年为例，在彼时A股单边熊市中，市场上涌现出的排名前10的公募基金业绩亮眼，但其在后续两年间业绩却难续辉煌。 图1：公募基金的“赢家诅咒”现象 资料来源：Wind、招商银行研究院 “赢家诅咒”现象是中短期市场难预见性的体现之一，而为何难以预判？我们认为根本原因在于认知偏差。根据认知科学的核心观点，心智的计算-表征理解（Computational-Representational Understanding of Mind）是对思维最恰当的理解，换言之，人类思维实则是逻辑、概念、规则、类比、表象、联结这六种代表性心理表征的计算过程，而人类思维在处理短期股市变化该类问题时，心理表征的计算过程存在不同程度的偏差，可能原因有三： 其一，相较于长期变化，中短期市场易受短期事件冲击影响，而每个个体受自身学习经历、工作环境、监管政策、可得信息等方面的综合影响，对信息的评估存在不同程度的偏差，进而体现为交易行为的不同； 2 / 11 [Table_Yemei2] 资本市场研究•专题报告 其二，投资者对高维数据信息的理解和利用并不充分，人的决策过程偏线性化。最为直观的体现之一就是认为中短期市场可能服从某种规则（如技术分析），虽然这种方法时而有效，但容易陷入局部极值（典型例子即是“抄底抄在半山腰”）的困境。线性化思考过程容易忽略大量非线性数据的关联，如某类事件的出现可能引发其他因子之间的变动，使得长期规律（如现金流贴现模型等估值框架）难以刻画短期股价变化过程； 其三，人的决策不可避免地受到身心状态的影响，从而表现出一定程度的“非理性”，如业绩考核压力加大、投资规模大幅度变化等情况下，因投资者身心状态产生较大变化而出现的非理性表现。 因此我们推测，中短期市场难预知的特性，背后所反映的可能是某些尚未被发现、理解、定价的市场特征，由于人类思维的局限性，譬如归纳与演绎推理并非万能，使得该类特征难以被察觉。相对于人类思维的局限，近年以来发展较快的机器学习提供了一定程度的优化方法，本文将通过搭建机器学习投资体系，以期弥补人类大