近年來，指數化投資愈來愈盛行，策略型投資如 Smart Beta 更是受到市場青睞。國內外機構法人不再安於傳統 Top down 的投資方式。將部分資產從以往重視區域曝險、國家曝險或產業別曝險，推進為因子曝險!為 Smart Beta 投資燃起一股旋風!
然而，從回測數據中清楚顯示，這些聰明因子雖然長期而言能夠帶來風險溢酬，但在不同的市場環境表現卻有相當大的差異。比方說動能因子在牛市表現很好，在熊市中表現卻非常差。 究竟什麼時候該採用什麼因子，一直是一個深受重視的議題。另外，在量化投資領域中，除了基本面外，技術面與籌碼面也都相當受到投資人的重視，然而不同的訊號時常會帶來矛盾。股價的複雜度及非線性造成股價難以預測，讓我們不禁想到，既然AI這麼聰明，是否能夠幫我們解決投資上的難題?
本支影片分享今年發表於Springer的Journal of Banking and Financial Technology之文章，主要談論機器學習在選股策略的應用，並於2021 PyCon x PyHug meet up中公開分享。
延伸討論
1. Smart Beta 與 機器學習之差異
Smart Beta為一種傳統人為建構rule-based方法，像是我們觀察到具有某些現象的股票表現很好，我們就把這些現象轉化為規則，依據這些規則來投資。在Smart Beta中，這些現象主要以因子為主，而我們將這些可能為我們帶來風險溢酬的因子稱之為Smart Beta。
在機器學習的部分，我們撇除人為建構規則的方式，反而是將我們覺得重要的因子全部蒐集起來，並進行細部切割與處理製造更多可能有用的特徵。在眾多數據下，基本上人們是很難歸納出什麼所以然來的，因此我們將規則的部分交給機器學習演算法處理，基於這些資料中建構出合適的模型。
2. 模型優化
本篇文章中，在我們蒐集的資料裡面，有很大一部分的佔比都與價格相關，再加上時間序列的處理，因日資料能夠細部切割，造成更多特徵的比重都著重在價格上面。或許是因為這樣，導致我們最終做出來的模型有著些微動能因子策略的影子，在牛市中大幅outperform benchmark,，在熊市中卻大幅underperform benchmark。因此，若是我們能夠採用更多元的資料來建構特徵，或許有機會改善這樣的現象。
3. 流動性與交易成本
在本篇文章的實作回測中，我們純粹直接曝險於模型所選出的股票，並沒有將流動性問題以及交易成本的部分考慮進來。在實務上，我們有可能遇到股票漲跌停而買不到貨賣不出的問題，或是流動性很差所以我們必須大幅度溢價購買或折價賣出的情況。另外，我們不論買賣股票接會產生交易成本，進而侵蝕我們的獲利，因此，這個回測結果與真實世界相比會被高估。然在與指數比較基準的情況下，三者位於同一基礎上面，皆無考慮到流動性與交易成本的問題，因此Outperform Benchmark是沒有疑慮的。
延伸閱讀
完整文章: Machine learning applied to stock index performance enhancement
什麼是Smart Beta? 因子投資— Smart Beta factors