最後更新日期：2023年01月06日
繼上一篇 美股AI智能投資，年化20%+的選股邏輯 (PART 1.)，我們用到了幾個機器學習廣為人知的演算法，透過 AI 為我們建立了未來看漲股票的標的池，其效果非常驚人！這個 AI 推薦的標的池會隨著股票市場環境的變化，自動地新增或刪除標的，為我們從 8000 檔股票中，不斷的進行篩選。
然而如上篇文章結尾所說，AI 推薦的標的池還有上百檔的股票供選擇，對於一般投資人來說，這樣的標的數量委實太多，不可能全部購買。因此，此篇要接著探討如何進一步將投資標的建立成實務上可行的投資檔數。
建立量化選股方法
我們得到了一個 AI 的推薦標的池，裡面都是未來有很高機率上的公司股票，下一步我們必須思索，我們想要打造的投資機器人，最終的風格是什麼？想要的是著重在動量、有爆炸性成長的股票？還是希望有一定穩健財務的公司？亦或是希望能跨不同的產業，做跨產業的分散投資？針對不一樣的目標，我們可以客製化打造不同的量化選股方法，如下圖黃色方塊，我們將建立適合的量化選股器，幫助我們之後建立投資策略。
以 Growin 團隊的投資風格，一直以來我們更加看重管理投資組合的風險，而非單單追求高報酬表現。因此如何在投資組合中建立分散風險的機制極為重要，這當然也包含了要讓投資組合中的股票多元化，跨不同的產業分佈，以免單一產業突發性的利空，造成投資組合重大的虧損。以下我們分成兩個步驟來建立量化選股機制：
- 跨產業分散
為了避免投資組合中標的走勢太過相似，導致投資組合過度集中於單一產業，走勢大漲大跌，跨產業配置分散風險是必須的。我們知道，每一個股票都有屬於自己的產業類別，通常許多金融資料庫如 Bloomberg 都會為每一間上市公司貼產業標籤。
但有鑒於現在企業發展多元化，比如說：Square 這間公司，一開始做信用卡刷卡機、到中小企業的 CRM 系統，現在推出了非常酷的 Cash App，可以做類似銀行相關的業務，甚至是證券投資，我們很難用一個單一產業的標籤來歸類它了。那該如何做呢？有鑒於公司與公司的產業 / 相似性是動態的，會隨著時間不斷變動，我們可以透過量化計算的方式，以過去一段時間的股價數據去推敲公司與公司的相關性，相關性高的，自動歸為一類。只要建立起自動評估相關性的機制，所屬的類別也就可以隨著時間、股價的關聯性透過演算法自動的更新。
在此，我們用了機器學習中的 K-means 演算法，計算各標的與標的間的日報酬相關性，將所有的標的自動分成 10 群，而每隔一個月，我們可以重新計算，自動更新各自的分類。如下圖（二）舉例，是透過 K-means 算法自動分類的二維度示意圖：
- 量化計分卡
如上述，我們建立了 10 個類別，且在這 10 個類別中的股票均是如這篇 美股AI智能投資，年化20%+的選股邏輯 (PART 1.) 中 AI 預測會上漲 10％以上的股票。也因此，即便在不同的類別中，我們也可以不用擔心挑到表現不好的股票，只要在每一類別中建立自己的量化計分表做篩選。如下圖（三），我們可以依據：
(1) 動能：如近一個月報酬、近三個月報酬
(2) Alpha 值（想了解 Alpha 值如何計算，可以參考此篇)
(3) 財務基本數據：如 ROE、EV/EBITDA 等財務數據
(4) 其他指標
量化計分卡設計可以非常多樣，到底要選取哪些指標來衡量選出的標的，就看個人偏好的投資風格是如何囉。實務上計算整體分數時，較簡單的做法是採均權方法在每一項指標上，如此一來即可將整體分數由高至低排序，計算股票名次的差異。而當有了量化計分卡這樣的邏輯後，如果想要投資 10 檔股票，我們可以在各類別中選取第一名的標的。
當然，除了量化計分卡，我們也可以加入一些濾網 ( Filter ) 條件，比如說發現 10 個分類中，某類別 80% 以上的投資標的均處於下降趨勢（ex. 低於 200 日均線等等），則忽略該分類，將其投資的配額分配給其他 9 個類別，這些小巧思端看在策略設計上每個人的喜好。
Growin 的 AI 選股測試結果
Growin 的 AI 選股機器人就基於此系列兩篇文章的概念所打造而成，我們相信透過大量的數據驅動與演算法不斷的依據不同的市場情境優化、調整，可以創造出優異的投資績效，下表 (一) 我們呈現 Growin 的 AI 選股 2007 年至 2020 年底的表現：
可以觀察到 AI 選股年化報酬遠優於 S&P500 及 Nasdaq 的成績，同時波動率均比兩大指數來的小。這也反映在夏普指數的相對優異的數值上，代表了每承擔一單位的風險，AI 投資組合均能有更好的風險溢酬。值得注意的是，試期間涵蓋了 08 年金融海嘯、10 年的閃崩、11 年歐債危機、18 年美中貿易戰、以及 20 年的 Covid-19，我們特別放上了「期間最大跌幅」讓讀者了解，投資其實非常的困難，市場非常容易讓我們搞砸！兩大指數最大的跌幅高達了 55% 以上，假設對一個新進投資人，一入場就承受一半以上的資產縮水，是多令人心痛的事！相比之下，AI 投資組合在只做多的策略基準下，相同的情境的確有比較讓人放心的表現，最大跌幅限縮在 30% 左右。
當然，實際 Growin 在服務客戶時，這樣的虧損還是要避免的，這也是為什麼我們常常需要將AI 選股搭配其他資產配置與避險的策略，雖然搭配多種策略會稍微降低整體投資組合的年化報酬，但同時能限縮下檔的風險，讓即便碰到大空頭時，虧損能大幅縮小。
總結
此系列『美股AI智能投資，年化20%+的選股邏輯 』共兩篇文章，我們描述 AI 如何做預測、篩選優良公司，到進一步透過演算法做類股分群、量化計分卡為我們排序投資標的，最後呈現 Growin 其中的一個投資策略結果，希望這些內容會對讀者們有一點點幫助。我們相信未來演算法的技術只會越來越強，會有更多的數據可以進行分析、學習，投資智能化無疑將會是未來的一大趨勢，推動著投資領域的變革。Growin 投資團隊也會精益求精，讓我們都引頸期盼，打造並獲得更加先進的投資服務！
作者： J.R ｜ 圖片來源：Yuting / pixabay
Growin 是一個服務在美華人的 AI 資產管理服務，透過最新的科技，幫助每位用戶以美國 ETF 及個股建立智能投資組合，打造穩健成長的理財計畫，歡迎至 Growin官網 了解我們並下載 APP ，讓 AI 為我們的積蓄做更有效率地運用及成長。
