国金证券：智能化选基系列之七：基于AI预测中的个股Beta信息构建ETF轮动策略

前期构建的 AI 选股框架中，我们以 GBDT 和 NN 两类模型分别针对不同类型特征数据集所得到的模型在不同宽基指数 上都有较强的预测效果。为贴近市场规律，对模型重新进行周度预测训练后，经过中性化的因子样本外 IC 均值为 11.49%，多头年化超额 49.24%,多头超额最大回撤 3.73%。 在个股 Alpha 因子聚合到指数的过程中，我们探讨尝试了是否针对因子进行中性化以及个股因子的不同加权方式比 较。最终发现，由于指数最终的收益走势直接由其成分股权重决定，使用该权重进行聚合天然有相对较高的稳定收 益。而在因子中性化的问题上，由于个股 alpha 因子中会蕴含一部分行业、市值等因素的 beta，若将因子中性化后 再聚合将使这部分信息损失，进而难以获取有效的指数层面因子，因此使用原始的 Alpha 因子更符合逻辑。在不区 分指数类型的情况下，因子的 IC 均值为 11.68%，多头年化超额为 35.97%，多头超额最大回撤为 14.51%。由于指数 本质相当于买入了一篮子股票，部分个股因子 Alpha 可能会在聚合过程中相互抵消，进而削弱了指数因子的轮动效 果。但因子整体依