【华安金工】解码共同基金业绩：基于深度学习的动态收益模式——“学海拾珠”系列之二百七十
创建于 更新于
摘要
本报告基于Norman Guo的研究，使用Temporal Fusion Transformer（TFT）对1990–2019年美国主动股票基金的月度Alpha序列进行多期（12个月）联合预测，并利用模型的可解释输出（变量重要性、注意力矩阵）识别何时基金技能具有信息性。研究发现：TFT显著优于传统方法（样本外R²约0.3584），基于TFT预测排序的最高-最低十分位诊断多空组合年化Carhart四因子Alpha差约2.8%，且该离散度可持续长达四年；历史Alpha为最重要的预测变量（约占决策权重28.8%），模型在危机时期赋予历史观测更高注意力（约高46%），并由此构建的基于变量重要性的条件Alpha能够在高信息性状态下预测未来12–48个月的业绩持续性 [page::1][page::8][page::11][page::9][page::12][page::15][page::17].
