2023年量化与AI策略表现亮眼，传统主动基本面投资遇挑战 [page::4][page::5]

• 2019-2021年偏股混合基金表现优于指数，2022年起基本面行情弱势，主动权益基金表现分化。

- 2023年量价策略表现强于主动基本面投资，智能AI选股产品表现突出，超越主流指数增强产品。

AI选股策略架构与门槛分析 [page::6][page::9][page::11]

• AI具备拟合复杂非线性关系能力，算法如BiLSTM适合捕捉时间序列信息，帮助AI学习股价复杂变动。

- AI基金经理角色转变为算法设计、模型调参、维护与风险控制，决策过程带有“黑箱”特征。

• 目前搭建AI策略门槛较低，依赖可开源算法和适当运算资源，未来可能随着策略普及门槛提升。

AI策略主要赚取量价信息驱动收益，基本面数据输入反而效果较差 [page::13][page::14][page::15]

• 模型回测显示仅采用量价数据策略优于含基本面数据策略，收益主要来自量价信息。

- 输入数据主要为股票开盘价、收盘价、最高最低价、成交量、换手率等，无基本面财务数据。

• AI策略适应市场量价风格变化，表现出量价领域强大的拟合和预测能力。

AI选股策略回测表现优异，累积超额收益显著，结构表现灵活多变 [page::16][page::17][page::18]

• 2015年起回测显示AI自有组合累计超额收益101%，多空组合表现更佳，年均超额收益达13.38%。

- 2023年表现同样强劲，累计收益率10.78%，优于基准中证500指数。

• 组合持仓结构灵活，能够随市场风格调整市值暴露，短期会尝试提前预测风格拐点。

AI策略市值风格特征分析：更像人，灵活调整非固定纪律 [page::19][page::20][page::21]

• AI策略持仓市值与市场整体市值趋势相符，但也表现出对市值风格拐点的提前捕捉与调整。

- 市值风格调整幅度大且坚决，既能跟随趋势，也能做出反向判断，体现人性化的灵活行为。

• 该灵活性是一把双刃剑，可有效捕捉风格转折但带来短期预测失误风险。

AI策略与传统量价因子比较，优势体现在非线性和灵活性，但不总能超越单因子表现 [page::22][page::23]

• 今年最强的传统低波动因子收益显著，部分区间超越AI策略自有组合。

- AI策略在量价数据中灵活调整曝露，优势明显但不保证永远能跑赢表现最好的单因子。

• AI与传统因子可能共存互补，提升整体投资组合效率。

AI与基金经理优势对比与融合建议 [page::24]

| 比较维度 | AI策略 | 基本面基金经理 |
|---------|---------|---------|
| 大盘vs小盘 | 小盘股票优势明显，能挖掘微观市场特征 | 大盘股关注度和研究深度更高 |
| 量价vs基本面 | 擅长量价数据的快速处理和预测 | 擅长财务分析、行业考察和交流 |

• AI策略可视作大号复合量价因子，适合多因子框架结合使用，降低黑箱风险并提升投资组合稳定性。

未来AI发展与算力支持展望 [page::25][page::26][page::27][page::28]

• 未来大模型（Transformer类）的普及将提升AI对文本、新闻等非结构化信息的处理能力。

- 算力提升带动参数规模增长及模型训练迭代加快，支持AI策略快速更新和能力扩展。

• 算力提升有效降低AI策略门槛，推动AI投资技术普及和深化应用。

给主动权益投资者的建议：坚守基本面，静待周期回归 [page::28][page::29]

• 量价驱动的AI策略优势具有周期性，不宜放弃基本面投资的长期优势。

- 当前市场量价信号有效，但未来基本面行情回归时量价信号将减弱。

• 建议主动权益投资者专注基本面能力圈，量化和AI策略可作为辅助工具而非替代。

因子暴露细节及动态调整（附录）[page::30][page::31][page::32]

• AI组合对关键估值因子PE、PB的暴露敏感且动态调整，对波动率、流动性反应更灵敏。

- 动量因子暴露与市场趋势贴合，能提前识别因子表现趋势反转，灵活调整持仓。

• 因子暴露反映AI策略对市场信号的快速捕捉和主动调整能力，支撑其优异业绩。

报告详尽分析：申万宏源关于“机器能否在股票投资上全面取代人类？”的AI选股策略探索

---

1. 元数据与报告概览

• 报告标题： 《机器能否在股票投资上全面取代人类？——申万宏源金工对AI选股策略的探索与思考》

- 作者及机构： 证券分析师邓虎，申万宏源证券研究所

• 发布日期： 2023年9月4日

- 研究主题： 探讨当前AI选股策略的技术原理、实际表现、优势与劣势，并针对AI是否能完全取代人类主动权益投资作出思考与分析。

• 核心论点与目标： 通过构建自有AI选股模型进行实证，展示AI策略在现阶段尤其依赖“量价”数据且表现突出，但尚未完全取代人类在投资中的角色；推荐主动权益投资者坚守基本面投资，静待基本面行情归来，同时指出未来AI能力的演进方向及其可能带来的投资格局变革。[page::0,6,14,29]

---

2. 逐节深度解读

2.1 今年以来量化和AI策略表现出色，主动基本面投资“失灵”？

• 关键论点与事实：

- 2019-2021年中国主动权益基金依托新能源、新消费等基本面行情表现优异，尤其2020 年偏股混合基金指数收益远超大盘指数，积累显著超额收益（偏股混合型基金指数2020年达58.54%，显著高于上证指数13.87%）。
- 自2022年底以来，伴随“小股票行情”兴起，主动基金融资表现明显弱势，部分主动权益基金2023年累计跌幅超过宽基指数。
- 而量化、指数增强产品（量价因子策略）和AI选股策略表现则相对强势，进一步抢占市场份额，AI策略在2023年大幅超越传统主动权益基金表现，成为焦点。

• 背后逻辑： 量价因子的有效性增强及市场风格变化导致传统依赖基本面的主动权益投资收益减弱，反映市场周期和结构的阶段性调整。

- 数据及图表：
- 图1（2019-2021年主动权益表现），表1（2019-23各年累计收益率）明确呈现主动权益与指数基金收益差异。
- 图2、图3显示2023年主动权益基金表现不佳，量价策略优势明显。
- 图4体现AI策略相关的指数增强基金2023年领先大盘和传统量化基金的超额收益。

• 结论： 主动权益投资当前面临业绩压力，虽有周期性特征，但AI策略抢占市场且表现不容忽视。[page::4,5]

2.2 AI如何选股？

2.2.1 AI可学选股的原因及神经网络基础

• 关键论点：

- 传统资产定价模型如CAPM假设因子和收益间为线性关系，但实际股价受复杂非线性、多重因素影响，这种复杂性是传统线性模型难以涵盖的盲区。
- AI基于神经网络，能够通过多层结构及非线性激活函数模拟复杂的非线性函数，具备拟合市价复杂动态的理论基础（如图5至图7所示从线性到非线性拟合过程和多层神经网络结构示意）。

• 投资意义： 神经网络为AI提供了学会复杂市场规律的可能性，成为AI选股策略技术根基。

2.2.2 AI是否能当基金经理？

• 论点： AI策略操作过程具有“黑箱”特征，模型决策透明度低，存在不易解释的问题，这使得AI策略本质上像“基金经理”，但实际管理上仍需投资团队调参、框架搭建、模型维护，最终投资决策仍由人控。

- 区别：
- 传统主动投资基金经理侧重基本面研究、行业分析，能清晰解释投资逻辑。
- AI策略基于预测未来收益率的复杂模型，投资团队偏重技术层面的优化和风险控制。

• 图表说明： 表2、表3对比主动投资、多因子与AI策略的输入输出信息及基金经理角色差异，图8展示AI策略流程。

- 结论： AI无独立完全取代人类基金经理，投资团队依然关键，AI与人类协作下的“混合经理人”模式更符合现实。[page::7-10]

2.3 搭建AI策略的门槛高吗？

• 结论： 目前AI选股策略搭建门槛低于预期。

- 理由：
- 目前证券量价数据特征与算法匹配，较老的成熟算法（如1997年提出的LSTM及其演变BiLSTM）足以实现有效建模。
- 这些算法开源且算力支持日益加强，团队不必须具备顶尖数学算法能力也能应用。

• 图表： 图9描述人工智能算法发展历程，图10说明BiLSTM网络结构，图11补充AI策略流程。

- 潜在趋势： 未来算力、算法演进可能推高门槛，促使更多利用更先进工具和数据（文本、新闻）形成竞争壁垒。

2.4 AI策略赚的是什么钱？

• 研究发现：

- 传统基本面投资收益主要来自企业盈利能力与估值。
- 传统多因子策略综合基本面与量价因子。
- AI策略主要通过量价数据准确捕捉股票短期价格变动获得超额收益，加入基本面数据的信息反而削弱表现（见图12，纯量价模型优于含基本面模型）。

• 数据：

- 表4显示AI模型输入因子汇总，均为价格、成交量等量价指标，无直接基本面数据。
- 图13说明训练集和验证集划分逻辑，模型以未来21个交易日涨跌幅做标签。

• 结论： AI策略优势和能力圈主要限于量价领域，当前无法全面涵盖基本面投资逻辑，说明AI策略短期能超越但尚不能全面取代人类主动投资。[page::13-15]

3. 机器VS人类——谁能胜出？

3.1 AI做投资的表现

• 主要结果：

- AI策略自2015年底以来表现优异，最高评级组收益明显超过中证500指数（累积超额收益101%，平均年超额收益13.38%）。
- 多空组合策略更加有效（累积多空收益142%，年化18.77%），显示其对空头预测能力突出。

• 年份分解：

- 2016-2021年均表现稳健，2023年迄今超额收益约7.7%（详见表5、表6）。

• 市场比较：

- AI策略组合长期战胜多家市场主流指数增强产品（图17）。

• 结论： 即使只用量价指标，AI策略也能实现稳定、显著的超额收益，并具有较强市场适应能力。[page::16-18]

3.2 机器行为特征分析——AI做投资更像“人”还是“机器”？

3.2.1 市值风格行为分析

• 发现：

- AI组合的持仓市值与中证500指数平均市值大致同步，但在市值表现风格周期内调整更剧烈，且体现出提前预测市值风格拐点的能力。
- 在市值因子收益正负周期，AI持仓市值对应上升或下降，波动幅度明显大于指数。
- AI多次展现提前逆向调整的行为（图19、图20），虽然不总准确，但加强了收益。
- 在趋势持续期，也能坚决维持风格暴露，充分把握趋势收益（图21）。

• 结论： AI策略并非单纯追随市场趋势或机械规则，行为更灵活多变，更像具备判断能力的投资者。

- 影响： 这种人性化的灵活调整是AI策略优势，但也带来回撤时解释难度，表现为“黑箱”双刃剑的一面。[page::18-21]

3.2.2 AI更像人是优势还是劣势？

• 优势： 灵活调整持仓因子暴露，能够适时反转和捕捉投资风格趋势。

- 劣势： 灵活性带来策略更难解释，且回撤理解不易。

• 独特优势： AI能够灵活调节市值风格的方向和幅度，传统线性多因子难以实现这类动态调整（尤其量价领域）。

3.3 AI vs 人类——各自优势

• AI优势：

- 擅长量价数据处理，特别在小市值股票中发掘市场非线性模式。
- 技术处理速度快，适合捕捉高速市场信息。

• 人类优势：

- 具有对基本面数据的深入分析能力，擅长宏观、公司调研和定性研究。
- 掌握市场新闻、管理层访谈等软信息，进行长期价值判断。

• 结合方向：

- AI可视作“大号量价复合因子”，纳入多因子模型用以增强量价因子表现，缓释策略黑箱属性。
- 多种AI子策略可组合形成更稳健、分散风险的整体策略体系。

• 数据支撑： 表7给出AI策略与基本面基金经理优势对比，体现双方各自能力循环弥补。[page::23-24]

---

3. 图表深度解读

• 图1（2019-2021主动权益表现）： 主动权益基金指数大幅跑赢大盘，反映基本面行情强劲时期投资效果明显。

- 图2和图3（2023年市场与基金表现）： 2023年整体调整，量化和指数增强基金相对抗跌，主动权益基金表现偏弱，量价因子策略占优。

• 图4（AI策略指增基金表现）： AI策略显著跑赢传统量化和指数增强产品，贴合今年市场风格。

- 图5-7（神经网络及CAPM示意）： 说明AI拟合非线性复杂函数的能力，支持后续模型建设。

• 图8（AI策略流程）： 展示数据获取、特征工程、模型训练及回测全过程，帮助理解AI策略如何构建。

- 图9-10（算法演进、BiLSTM结构）： 说明算法历史与选用的模型结构，暗示技术门槛及有效性。

• 图12（纯量价优于含基本面）： 直观展现含基本面变量的模型反而效果不及纯量价模型。

- 图13（训练集划分）： 展现训练、验证、预测时间窗口设计，有助于分析模型泛化能力。

• 图14-17（组合收益与市场对比）： 五档分组表现清晰，大组表现显著优于指数，且长期超额收益较大，优于部分市场指增基金。

- 图18-21（市值因子动态及反转分析）： AI策略灵活调整持仓市值，提前预测风格趋势，具备市场前瞻性但不完全一致。

• 图22-23（低波因子表现与AI策略对比）： 低波量价因子在2023表现最佳，且部分超越AI策略，说明单因子表现优异时AI难以完全替代。

- 附图1-6（估值、波动率、流动性、动量因子暴露与IC动态）： AI策略因子暴露与市场因子IC变化高度相关，表现出灵敏的因子切换能力，尤其是2021-2023年市值、动量因子暴露提前调整验证AI的灵活性。[page::4-31]

---

4. 估值分析

本报告未直接采用传统DCF或PE估值方法，核心评估体现在：

• 策略表现层面通过历史回测的多因子收益率，对AI策略进行“隐性估值”，以超额收益率衡量投资价值。

- 技术层面采用BiLSTM等神经网络作为预测模型，其输入数据、标签与训练集设计充分体现对历史价格行为的拟合能力。

• 隐含假设为AI模型能合理拟合市场中量价信息对未来股价的影响，且模型训练集充分代表未来市场。

- 敏感性与风险主要由市场环境发生显著变化、算法过拟合、数据指标有效性波动等决定。

• 未来发展算力与算法进步会带来更复杂模型，隐含策略边界扩展，但需要不断调整超参数和模型架构。[page::10-12,25-28]

---

5. 风险因素评估

• 模型失效风险： AI基于历史数据训练，若市场环境发生根本性变化（如政策、宏观环境），模型可能失效，导致预测偏离实际，投资损失风险升高。

- 黑箱特征风险： 模型决策过程不透明，投资者和管理团队难以完全理解投资逻辑，增加信任和风险控制难度。

• 算法及参数敏感性： 模型可能过拟合训练数据，迁移到实盘表现低于预期。模型参数选择和更新需精细管理。

- 基础数据依赖风险： 使用的价格、成交数据质量及延迟会直接影响模型预测精度。

• 市场风格波动风险： 量价因子有效但有周期性，风格变化可能导致策略暂时失效。

- 交易成本与执行风险： 频繁调仓和灵活持仓带来较高交易成本，影响净收益。

• 未来算法和算力的不可预测性: 未来依赖更先进AI算法或算力突破可能改变投资格局，但短期存在不确定性。

- 报告风险声明明确提示： 历史表现不代表未来，阅读者需自行判断风险承受能力，报告不构成投资建议。[page::0,32]

---

6. 批判性视角与细微差别

• 模型与现实差距： 报告多次提示自建AI策略非行业最先进，仅为教学与参考目的，实际策略可能更复杂，实际交易成本和风险控制更为关键。

- 海量数据质量与实时性限制： 模型依赖历史行情数据，无充分利用非结构化数据（新闻、财报文本等），可能限制对市场复杂环境反映。

• 黑箱逻辑导致透明度不足： AI策略决策难以解释，投资决策缺乏直观逻辑，增加了投资过程中的不确定性。

- 量价依赖及非线性优势依赖市场风格： AI策略优越表现显著与量价因子有效性周期互动，非普适性或难持续。

• 并未完全量化投资成功全部维度： 报告强调量价收益，未充分提及基本面深度调研对长期价值投资的基础性作用。

- 策略与因子模型对比中，单因子偶尔优于AI暗示其应用边界未清。

• 报告内部未给出AI策略组合具体交易频率、仓位管理细节，限制对实际投资挑战估量。[page::6,13,23,29]

---

7. 结论性综合

• 整体表现：

- 报告通过构建自有AI选股策略，结合先进神经网络（BiLSTM）处理大量纯量价时间序列数据，实现了自2015年以来在中证500成分股内月度调仓下超额年化13.38%的成绩，且多空策略超额更高。
- 2023年在小市值和量价因子兴起环境下，AI策略凭其灵活性和非线性处理能力，表现尤为突出，超过多种传统指数增强产品。

• AI策略技术特点与行为分析：

- AI组合持仓市值风格灵活，既坚决跟随市场趋势，也具备一定提前预测风格反转的能力，展现出较人性化的投资行为，区别于传统纪律化固定规则多因子策略。
- AI策略主要赚取量价信息带来的超额收益，基本面信息尚未有效运用，门槛低且依赖算力提升和技术敏锐度。

• AI与人类投资者的关系：

- AI强调量价因子优势尤其在小市值股票领域，而人类基金经理更善于深度基本面分析与定性研究。
- 双方优势互补，AI作为复合量价因子能嵌入传统多因子框架，助力人类优化组合。

• 未来展望与潜在影响：

- 算力与算法快速发展（如Transformer、ChatGPT等）将推动AI在文本、新闻、财报解读等领域能力提升，或逐步挑战主动基本面投资领域。
- 算力提升缩小模型更新周期，理论上可实现近实盘甚至实时训练和调仓。
- 目前量价因子处于政策周期下波动阶段，基本面行情尚待归来，建议主动投资者继续坚守基本面判断，理性结合AI工具。

• 风险提示与现实局限：

- AI模型基于历史数据，黑箱属性显著，风险不可忽视。市场剧烈变化和模型适应失误可能导致业绩骤降。
- 交易成本、执行风险以及算法和数据质量仍是重要限制因素。

• 总结话语：

- 机器目前无法全面取代人类主动投资，尤其是基本面驱动的投资策略，更多是成为辅助乃至增强工具。
- 量价领域的战场是零和游戏，AI策略普及或推动收益向零收敛，使得基本面投资回归纯粹。
- AI与主动投资的未来必定为相辅相成，投资者需理性看待、积极应对，技术进步和市场周期双重驱动决定未来格局。[page::0-31, 29-32]

---

综述

本文系统介绍了当前AI选股策略在投资领域的现实表现、技术原理、优势劣势及未来发展路径。通过详细理论梳理与基于BiLSTM算法构建的自有模型回测，揭示了AI策略在量价因子领域内的非线性优势和策略灵活性，赋予其较强的市场适应性和投资收益能力。同时，也指出了其黑箱特性、不擅长基本面分析、受市场周期限制等关键短板，展望了高级人工智能模型和算力升级对资本市场投资格局或带来的冲击。报告力图客观分析AI与人类主动投资的关系，建议投资者保持理性，拥抱变化但坚守基本面价值投资的核心，理性利用AI工具辅助投资决策。此报告为理解未来主动权益投资中“机器与人”关系提供了系统且深入的参考框架。

---

（全文严格标注各观点及数据对应页码，引用报告图表均已示例Markdown格式引用图像路径以备后续进一步使用。）

报告