热门概念板块 AI 预测与龙头识别量化策略交流

摘要： 本次会议由国金金融工程分享，重点讨论了基于机器学习的万得热门概念指数轮动策略，以及通过自由现金流率识别概念板块内龙头股的量化方法。

核心观点：

1. 构建 AI 轮动策略：采用自下而上的方法，结合 GRU 和 LGBM 模型，通过对个股高开低收量额及 alpha 因子进行训练，构建热门概念指数的轮动策略。
2. 龙头股优化识别：针对指数轮动持仓过多（200-300只）导致实操难度大的问题，引入“自由现金流率”作为衡量龙头属性的因子，在热门概念信号指引下筛选自由现金流率最高的个股。
3. 策略表现：龙头股优化后的组合在年化超额收益上优于简单的指数轮动和等权组合，且持仓集中度更高（平均持仓约 14.6 只）。

论据支撑：

1. 模型架构：使用 Tami-X 模型（含下采样和季节趋势分解）处理多周期数据，结合 GRU 提取弱因子，再由 LGBM 进行合成，从而得到个股预测百分位数。
2. 因子验证：个股层面的 alpha 因子在 IC 值、分组合并多空性质上表现良好。
3. 回测结果：优化后的龙头股策略年化超额收益达到 20.63%，在价值风格占优的年份（如 2021-2024 年）表现更强。

局限性/风险：

1. 风格偏好：由于自由现金流率因子偏向价值和大盘风格，导致该策略在成长风格强劲的年份（如 2019、2020 及 2025 年）表现相对偏弱。
2. 实操难度：基础的指数轮动策略因成分股数量过多且波动大，在实际交易中复刻难度较高。