“学海拾珠”系列之二百七十：解码共同基金业绩：基于深度学习的动态收益模式

主要观点

• 研究方法：采用时间融合变换器（TFT）模型，联合预测未来12个月的基金Alpha序列，模型包含变量选择模块、LSTM编码器-解码器、自注意力机制和分位数损失函数，能够同时处理动态、静态和确定性三类输入变量。
• 数据与验证：样本涵盖1990–2019年美国主动股票基金（3717只基金，50万+基金-月度观测），采用滚动窗口10折交叉验证（训练窗口20年，前移12个月），每折内按基金ID80%:20%划分训练/验证集。
• 文献主要结论：
  • TFT预测能力显著优于传统模型：基于TFT预测构建的十分位多空组合，年化Carhart四因子Alpha差异达2.8%，且该业绩差异度持续长达四年。
  • 历史Alpha是最重要的预测变量：基金自身的回报历史占模型决策权重的28.8%，其次是市场回报、期限利差、违约利差、通胀等宏观变量。历史Alpha的重要性呈现季节性，与公司盈利周期高度吻合。
  • 危机时期获得更高注意力权重：衰退期的平均注意力权重比非危机期高出约46%，表明极端市场条件更能揭示基金经理的真实能力和策略。
  • 条件技能度量具有长期持续性：基于变量重要性定义的“高信息性时期”内计算的条件Alpha，能够预测未来12–48个月的业绩，且在控制历史Alpha后仍然显著。
  • 技能是状态依赖的：传统线性模型难以检测到无条件持续性，是因为技能只在特定信号重新具有信息性时才显现。

关键数据

• 样本涵盖1990–2019年美国主动股票基金（3717只基金，50万+基金-月度观测）。
• 基于TFT预测构建的十分位多空组合，年化Carhart四因子Alpha差异达2.8%，且该业绩差异度持续长达四年。
• 基金自身的回报历史占模型决策权重的28.8%。
• 衰退期的平均注意力权重比非危机期高出约46%。
• 基于变量重要性定义的“高信息性时期”内计算的条件Alpha，能够预测未来12–48个月的业绩。

研究结论

• TFT模型能够有效预测基金未来业绩，并揭示管理技能何时具有信息性以及何时能够持续。
• 基金经理的能力只有在他们偏好的信号重新获得相关性时才会显现出来。
• 传统的持续性检验可能会因对基金策略不具信息性的状态进行平均而低估技能。
• 本研究通过强调时间动态和基金特定的信息性状态，为日益增长的将机器学习应用于共同基金分析的文献做出了贡献。