ChatGPT近期的爆火，再次带动人们的视线聚焦于“人工智能”。

在投资领域，不少机构已经在使用人工智能模型打造量化选股策略，首先通过历史数据来训练模型求解各个因素对于股价短期的影响，然后利用训练后的模型根据实时的行情选出评分高的个股，最后通过大量的高频交易提高整体的胜率来创造超额。

但在交易相对低频、信息公布滞后、持仓透明度有限的基金投资里面，人工智能能帮到我们什么吗？

还真能！我们就通过人工智能打分来选基金，做了一个股票型基金指数的实盘增强策略。

当初做这个策略的缘由是市场上有很多基金指数的业绩非常好，低风险的如Wind混合偏债基金指数:

高风险的如中证股票型基金指数（下文简称为“主动股基”）:

但这些指数的成分基金太多（超过1000支），还伴有限购限额等约束，根本无法复制。

我们就想通过自身的研究，在上千只基金指数的成分基金中，筛选50-100支可投优势基金构成组合，最终在复制基金指数的业绩基础上，力争获得选基的超额。

Wind混合偏债基金指数的实盘增强策略我们在之前的视频中已经介绍过:

简单回顾下，该策略主要分为三个操作层面：

1.宏观：确定指数的股债仓位

2.中观：确定指数中权益资产在行业、风格的暴露；债券资产总体的久期长短

3.微观：精选底层基金，通过权重配比捏成资产配置特征与指数一致的组合

在宏观和中观层面，通过控制实盘组合与基金指数的整体特征一致，使得组合能够跟住指数的涨跌，保证Beta；在微观层面通过精选基金创造Alpha。

但做股票型指数的增强策略与以上不同：

除了不需要做股债配比以及考虑债券资产的久期外，最关键的区别是权益类的资产波动更高变化更快，为了跟上指数在行业、风格层面的暴露，底层基金的调整频率就会更快（固收类基金可以季度调仓，但权益类基金就得月度调仓），而基金调仓的时间又比较长（T+3），调整的空白期如果指数涨得多了，容易导致组合跟不上指数。

所以微观层面会要求底层精选的基金要能创造更高的Alpha（权益类基金本身就比固收类的弹性更大）。

对于主动股票基金策略下的基金筛选，我们引入了AI智能评分模型。

模型采用深度学习的算法，通过输入与基金相关的海量衍生数据（除了基本的风险收益比、持仓风格、行业/择时胜率等数据，还有预估的基金持仓变动以及各个维度的因子数据）去训练，最终达到：

1.模型选出的一组基金未来收益要显著好于其他组；

2.模型给出的得分随时间不会剧烈波动。

我们希望结合AI打分，最后的组合相对基准能取得3%-5%的年化超额，长期年化收益率稳定在13%-15%左右。

实盘组合从2021年10月开始运营，从业绩来看：

二者相关性高达97.06%，主动股基期间收益率为-16.48%，最大回撤-32.20%（2022年是过去10年里最差的一年），实盘组合期间收益率为：-7.87%，最大回撤-26.99%，年化差额6.69%，基本符合预期。

对文中提到的衍生数据或者策略感兴趣的，欢迎后台联系我们的研究团队。