使用機(jī)器學(xué)習(xí)識(shí)別基金經(jīng)理投資能力

TOC\o"1-2"\h\z\u引言 4數(shù)據(jù)與變量 5數(shù)據(jù) 5基金的異?；貓?bào) 5基金的持倉(cāng)特征 5宏觀經(jīng)濟(jì)變量 6樣本內(nèi)基金表現(xiàn)單變量分析 7主要分析與討論 9前饋神經(jīng)網(wǎng)絡(luò) 10最優(yōu)預(yù)測(cè) 11預(yù)測(cè)基金異?；貓?bào)的重要特征 12特征重要性與交互效應(yīng) 15宏觀經(jīng)濟(jì)變量的選擇 165 總結(jié) 18風(fēng)險(xiǎn)提示： 18圖表1基金的股票特征及其分類 6圖表2投資者情緒時(shí)序圖 7圖表3CFNAI時(shí)序圖 7圖表4基金單變量多空組合異?；貓?bào) 8圖表5基金單變量多空組合FAMA四因子回歸結(jié)果 9圖表6單層前饋神經(jīng)網(wǎng)絡(luò)模型 10圖表7兩種賦權(quán)方式 11圖表8不同賦權(quán)方式下的累計(jì)異?；貓?bào) 11圖表9累計(jì)費(fèi)率與凈異常回報(bào) 12圖表10改變變量信息組合對(duì)預(yù)測(cè)能力的影響 13圖表多空組合：樣本外預(yù)測(cè)的累計(jì)異?；貓?bào) 14圖表12使用不同信息下的多空組合表現(xiàn) 14圖表13異常回報(bào)的解釋中特征重要性最高的變量 15圖表14基金特征組與情緒變量的條件均值 16圖表15不同宏觀變量下的多空組合異?；貓?bào) 16圖表16多空組合在不同情緒指標(biāo)分組下的異常回報(bào) 17圖表17情緒指標(biāo)以及CFNAI與基金特征變量間的交互效應(yīng) 181 引言202024—機(jī)器學(xué)習(xí)，重新探討哪些共同基金特征以及它們持有的股票特征能夠有效區(qū)分出表現(xiàn)優(yōu)秀的基金和表現(xiàn)不佳的基金個(gè)能夠明顯且穩(wěn)健地幫助區(qū)分表現(xiàn)優(yōu)秀基金的特征。在投資者情緒較高時(shí)，基金績(jī)效在頭部和底部的相對(duì)比較尤為顯著。19802019alpha4613緒或宏觀經(jīng)濟(jì)活動(dòng)的綜合指標(biāo)來代替。文獻(xiàn)主要使用人工神經(jīng)網(wǎng)絡(luò)模型（artificiallkl（wdlwk，它可以可靠地估計(jì)大量變量之間的復(fù)雜關(guān)系，所有的預(yù)測(cè)都是樣本外的。研究結(jié)果發(fā)現(xiàn)，基金特征信息中的資金流入和基金動(dòng)量，是模型內(nèi)共同基金表現(xiàn)優(yōu)秀的關(guān)鍵預(yù)測(cè)因子。107210191%500.25。ChicagoFedNationalActivityIndex（CFNAI）來衡量宏觀經(jīng)濟(jì)狀況，當(dāng)它與基金特征結(jié)合使用時(shí)，與情緒一樣能夠預(yù)測(cè)最佳和最CFNAICFNAI10-20%資金流量（Flow）BerkGreen（2004）分析結(jié)果也可能與基金公司通過營(yíng)銷吸引資金流入導(dǎo)致。但是，由營(yíng)銷引發(fā)的資金流入會(huì)為基金投資的股票帶來購(gòu)買壓力，在需求呈下降趨勢(shì)時(shí)，這將提高股價(jià)并提升基金回報(bào)。通過資金流與績(jī)效之間的關(guān)系，以及通過營(yíng)銷驅(qū)動(dòng)的流入的持續(xù)數(shù)據(jù)與變量數(shù)據(jù)（A0年1201913275407,158tt-13630基金的異常回報(bào)-Carhart（1997）36??,???:???1=????+???:???1??,???1+??,???:???1 ??,??i在第t，滾動(dòng)窗口回歸允許因子敞口隨時(shí)間變化。第二步，計(jì)算異常回報(bào):??,??????=??,???????,???1 （2）??,??-0.03%2.00%CarhartCarhart基金的持倉(cāng)特征Chen、PelgerZhu（2020）461圖表1基金的股票特征及其分類《Machinelearningtheskillofmutualfundmanagers》，數(shù)據(jù)集使用特征空間中的潛在的因子來填補(bǔ)缺失的基金特征，因而對(duì)所有407,158/-0.50.513.70.1%的月費(fèi)率。共同基金的資金流量被定義為：??????????,??

=????????,???????????,???1(1+????,??)????????,???1在整個(gè)樣本期間，每只基金每月平均約有1.6%的資金流入。宏觀經(jīng)濟(jì)變量為了研究共同基金的績(jī)效是否與經(jīng)濟(jì)狀況有關(guān)，樣本空間涵蓋投資者情緒（Bker和l（6CcaoFdilAciviyCA23《Machinelearningtheskillofmutualfundmanagers》，圖表3CFNAI時(shí)序圖《Machinelearningtheskillofmutualfundmanagers》，樣本內(nèi)基金表現(xiàn)單變量分析文獻(xiàn)初步探討了哪些基金特征與共同基金績(jī)效相關(guān)，這個(gè)分析并不替代后續(xù)的完整分析，因?yàn)樗跇颖緝?nèi)進(jìn)行的，同時(shí)忽略了基金特征與基金異?；貓?bào)之間的關(guān)系可能存在重要的非線性關(guān)系，以及多個(gè)特征之間或特征與宏觀變量之間可能存在重要的交互作用效應(yīng)的可能性。對(duì)于這59個(gè)特征，根據(jù)特征的值將基金的異?；貓?bào)分為十分位。然后，構(gòu)建多空投資組合，即排名最高和排名最低的十分位之間的差異。圖表4的前兩列報(bào)告了這些多空投資組合回報(bào)的均值和夏普比率，根據(jù)夏普比率從高到低排序。星號(hào)表示多空投資組合回報(bào)均值的顯著性檢驗(yàn)。（（lw0.104（《Machinelearningtheskillofmutualfundmanagers》，Carhart5R^2都很?。?alphaCarhart圖表5基金單變量多空組合Fama四因子回歸結(jié)果《Machinelearningtheskillofmutualfundmanagers》，主要分析與討論文獻(xiàn)的主要分析旨在預(yù)測(cè)共同基金的異?；貓?bào)。與前文分析不同，（表159個(gè)特征以及情緒，以及特征與未來基金績(jī)效之間的非線性關(guān)系。uKly和X（0??,??+1????????=??(??????,????)+????,???1 （3）??,??+1神經(jīng)網(wǎng)絡(luò)g(·)的結(jié)構(gòu)是基于驗(yàn)證樣本選擇的。它的輸入是共同基金特定的特征????（CA3/4（1/4（前饋神經(jīng)網(wǎng)絡(luò)xy??=??(??)??(0)∈????(0RU結(jié)果使得第K維隱藏層的輸出層只是隱藏層的線性變換：圖表6單層前饋神經(jīng)網(wǎng)絡(luò)模型《Machinelearningtheskillofmutualfundmanagers》，6464ChenPelger和GuKelly和集來量化不同信息集的經(jīng)濟(jì)效益。適當(dāng)調(diào)整的神經(jīng)網(wǎng)絡(luò)可以逼近任何函數(shù)關(guān)系，它最優(yōu)預(yù)測(cè)59圖表7兩種賦權(quán)方式《Machinelearningtheskillofmutualfundmanagers》，8投資于10%得的累計(jì)異?；貓?bào)預(yù)測(cè)值加權(quán)）和的累計(jì)異常回報(bào)（等權(quán)最差的10%將獲得（和-93%（等權(quán)。圖表8不同賦權(quán)方式下的累計(jì)異常回報(bào)《Machinelearningtheskillofmutualfundmanagers》，共同基金的異常回報(bào)是可預(yù)測(cè)的，過去40年的可預(yù)測(cè)程度在經(jīng)濟(jì)意義上較大：1015（10）個(gè)基點(diǎn)。圖表9的a面板顯示了基于不同預(yù)測(cè)的十分位投資組合的平均費(fèi)用。雖然那些具有更高預(yù)測(cè)值的基金收費(fèi)更高，但費(fèi)用的差距并不能解釋預(yù)期回報(bào)的差距。事實(shí)10%50%10%10%72%10%37%10%-170%圖表9累計(jì)費(fèi)率與凈異?；貓?bào)《Machinelearningtheskillofmutualfundmanagers》，預(yù)測(cè)基金異?；貓?bào)的重要特征116（749（504555圖表10改變變量信息組合對(duì)預(yù)測(cè)能力的影響《Machinelearningtheskillofmutualfundmanagers》，圖表014（面板B（報(bào)預(yù)測(cè)模型完全忽略了股票特征基金特征。圖表11多空組合：樣本外預(yù)測(cè)的累計(jì)異常回報(bào)《Machinelearningtheskillofmutualfundmanagers》，（10%（最差10%-9%69%178%的累計(jì)188%191%1210%的基金，結(jié)果是每月40個(gè)基點(diǎn)的回報(bào)，夏普比率為0.25。圖表12使用不同信息下的多空組合表現(xiàn)《Machinelearningtheskillofmutualfundmanagers》，最后三行顯示，當(dāng)只使用基金動(dòng)量和資金流量這兩個(gè)特征中的兩個(gè)，再加上情基金動(dòng)量和流。12R210%10%的月度R2R2大幅下降，這表明情緒對(duì)于預(yù)測(cè)高減低異常基金回報(bào)至關(guān)重要。特征重要性與交互效應(yīng)SadhwaniGiesecke和Horel和ick（0TN_ttSensitivity(z_k)13圖表13異常回報(bào)的解釋中特征重要性最高的變量《Machinelearningtheskillofmutualfundmanagers》，14（y軸（x軸圖表14基金特征組與情緒變量的條件均值《Machinelearningtheskillofmutualfundmanagers》，（Flow）宏觀經(jīng)濟(jì)變量的選擇CFNAI）是否在預(yù)測(cè)共同基金超額表現(xiàn)方面發(fā)揮了類似重要的作用？或者它們是否提供了在（CFNAICFNAICFNAI15圖表15不同宏觀變量下的多空組合異?；貓?bào)《Machinelearningtheskillofmutualfundmanagers》，R2CFNAI原因是情緒模型在預(yù)測(cè)前十分位數(shù)和末十分位數(shù)基金的實(shí)際異?；貓?bào)時(shí)做得更好。CFNAI圖表16多空組合在不同情緒指標(biāo)分組下的異?；貓?bào)《Machinelearningtheskillofmutualfundmanagers》，160.27%的CAICAI（10%????????（z）17CFNAI狀態(tài)下，基金動(dòng)量的預(yù)測(cè)月度差距幾乎比低情緒狀態(tài)高出十個(gè)基點(diǎn)。相比之下，CFNAI圖表17情緒指標(biāo)以及CFNAI與基金特征變量間的交互效應(yīng)《Machinelearningtheskillofmutualfundmanagers》，5 總結(jié)文獻(xiàn)重新審視了預(yù)測(cè)共同基金表現(xiàn)的問題，現(xiàn)代神經(jīng)網(wǎng)絡(luò)技術(shù)發(fā)現(xiàn)了強(qiáng)有力的可預(yù)測(cè)性證據(jù)。非線性神經(jīng)網(wǎng)絡(luò)方法的一個(gè)重要優(yōu)勢(shì)是它們能夠可靠地估計(jì)大量變量之間的復(fù)雜函數(shù)關(guān)系。這在預(yù)測(cè)主動(dòng)管理的共同基金的回報(bào)方面特別有優(yōu)勢(shì)。文獻(xiàn)發(fā)現(xiàn)的可預(yù)測(cè)性是實(shí)時(shí)的、在樣本外的、長(zhǎng)期存在的，并且在經(jīng)濟(jì)上具有實(shí)質(zhì)意義。它適用于費(fèi)用之前和之后。大部分收益來自于規(guī)避那些模型預(yù)測(cè)為最差表現(xiàn)的基金。然而，這個(gè)預(yù)測(cè)模型也能夠識(shí)別出即使在費(fèi)用之后仍然能夠產(chǎn)生正向回報(bào)的約10-20%的基金。文獻(xiàn)確定了兩個(gè)基金特征，資金流入和基金動(dòng)量，作為共同基金表現(xiàn)的關(guān)鍵預(yù)測(cè)因子基金持有的股票的特征在預(yù)測(cè)未來的異常表現(xiàn)方面并不起到重要作用外，這兩個(gè)基金特征在投資者情緒高漲時(shí)更為重要。也就是說，在情緒高漲時(shí)CFNAI（代理變量）都能提高可預(yù)測(cè)性，但與CFNAI相關(guān)的互動(dòng)效應(yīng)并不明顯。這些結(jié)果對(duì)于改進(jìn)共同基金市場(chǎng)委托理論應(yīng)該是有用的。文獻(xiàn)演示了如何衡量對(duì)宏觀經(jīng)濟(jì)狀態(tài)的依賴關(guān)系。最后，引入了一種新穎的用于機(jī)器學(xué)習(xí)算法的互動(dòng)效應(yīng)度量，它不僅測(cè)量局部斜率，而且測(cè)量更具信