这篇论文的核心方法就是：

1. 用个股数据训练模型
使用来自全球66,905只个股的172个技术指标（动量、波动率、趋势等）以及“下个月是否跑赢市场中位数”的二分类标签，训练一个随机森林分类模型。
2. 将训练好的模型直接应用于ETF
不重新训练，而是用该模型对每只ETF当月计算出的技术指标进行预测，输出每只ETF在下个月“跑赢同类ETF中位数”的概率。
3. 利用预测概率构建截面排序
每个月根据模型输出的概率对所有ETF进行截面排名，做多预测概率最高的10%，做空最低的10%，形成多空组合。

所以，模型并没有在ETF上重新训练，而是迁移学习的思路：从个股历史中学到的“技术面与相对表现之间的关系”被用来推断ETF的截面优劣。这种做法有效解决了ETF历史数据不足的问题。