改进聚合算法选基与择股能力因子选基方法对比研究：Trader~Company算法与Selectivity因子选基应用。基于净值数据的 Selectivity 因子可以衡量主动基金经理择股能力。该因子代表 了基金经理在资产配置时的自由程度。本文使用双重因子排序法进行主动偏股 型基金优选。Fama–French 五因子与基金回报数据回归可获取基金的风险调 整绩效(Alpha)及择股能力指标（1-R 方）。Selectivity 因子首先筛选出偏离样本 池整体表现的特异性基金列表，其后 Alpha 因子作为评价基金获取超额收益能 力的指标可以进一步区分择股能力的高低。

Trader-Company 算法尝试模拟了金融机构和属于它的交易员角色之间的互动 情形。市场上潜在的 Alpha 往往可以用简单的数学形式表达，Trader-Company 算法通过不同基金之间的净值关系来构建 Alpha 的表达式作为 Trader 角色。该 方法同时引入了 Company 角色，即对所有 Trader 的历史业绩进行持续跟踪， 并对 Trader 进行迭代更新，从而实现多个投资组合向量的整合。本文根据 Trader 得分指标对 Trader-Company 基础算法做出了改进，并应用于被动型基金的优 选过程。

本文在 2015 年初至 2022 年 6 月份的被动指数型和主动偏股型基金上进行了两 种选基方法的验证。回测结果表明 Selectivity 选基方法可以有效测算出基于基 金特异性的回报波动。普通股票型与灵活配置型基金近 7 年平均胜率均在 0.6 以上，灵活配置型基金组合回测年化收益达 14.08%。改进后的 Trader-Company 选基方法在被动指数型基金上有着更好的相对收益，累计净值达 1.97，年化收 益高出 Selectivity 选基方法 4.73%。