“学海拾珠”系列之二百七十八：使用机器学习分析顶尖基金的持仓

主要观点：

• 研究方法：通过机器学习方法，利用收益、财务和分析师预测等数据构建94个股票特征，预测顶尖基金经理的持仓，并比较顶尖、中庸和落后基金持仓的可预测性差异。
• 核心发现：
  • 机器学习模型在预测顶尖持仓方面表现良好，随机森林模型在分类准确性上略胜一筹，梯度提升模型在收益复制效果上最佳。
  • 顶尖、中庸和落后基金持仓的可预测性相近，说明顶尖基金经理的超额收益更可能源于对公开信息的更优解读，而非获取了额外的私有信息。
  • 规模、流动性、分析师覆盖度和12个月动量是决定顶尖基金经理高确信度持仓的关键因素，且存在显著非线性与交互效应。
  • 顶尖基金经理的投资策略会随市场周期或经济状况的变化而演变，例如特质波动率在不同经济周期对顶尖持仓的预测方向不同。
• 研究结论：顶尖基金经理的决策确实反映了股票特征中系统性且复杂的模式，其卓越的选股能力在一定程度上可归因于其解读公开信息的卓越能力。
• 关键数据：
  • 随机森林模型AUROC达90%，AUPRC达55%。
  • 梯度提升模型组合收益与实际顶尖持仓的月度偏差仅6个基点。
  • 账面市值比对预测顶尖基金经理持仓的平均绝对Shapley值为0.74%，大约是其对预测中庸基金经理或落后基金经理持仓重要程度的两倍。
• 风险提示：文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。