AlphaNet改进：结构和损失函数

免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 1 证券研究报告 金工 AlphaNet 改进：结构和损失函数 华泰研究 研究员 林晓明 SAC No. S0570516010001 SFC No. BPY421 linxiaoming@htsc.com +86-755-82080134 研究员 李子钰 SAC No. S0570519110003 liziyu@htsc.com +86-755-23987436 研究员 何康，PhD SAC No. S0570520080004 SFC No. BRB318 hekang@htsc.com +86-21-28972039 联系人 王晨宇 SAC No. S0570119110038 wangchenyu@htsc.com +8602138476179 三种改进相对中证 500 的累积超额收益 资料来源：Wind，华泰研究 2021 年 7 月 04 日│中国内地 深度研究 本文提出 AlphaNet 的三个改进方向，均取得理想的改进效果 在华泰金工前期报告《AlphaNet：因子挖掘神经网络》(2020.6.14)和《再探 AlphaNet：结构和特征优化》(2020.8.24)中，我们构建了端到端的因子挖掘和因子合成模型 AlphaNet，深度学习的灵活性使得其具有很大的改进和定制空间。本文对市场规律和模型特点进行深入思考，提出了 AlphaNet的三个改进方向：(1) 特征提取层自定义 Dropout 机制；(2)损失函数加入中性化机制；(3)损失函数中提高多头样本权重。我们以前期报告中的AlphaNet-v2 模型作为基线模型，对三个改进方向进行了测试，在测试中均取得了理想的改进效果。 特征提取层自定义 Dropout 机制：控制过拟合，提升模型训练速度 Dropout 是神经网络中常用的控制过拟合技巧。本文借鉴 Dropout 的思想，针对 AlphaNet 的特征提取层实现了自定义 Dropout 机制：对二元运算函数(ts_corr，ts_cov 等)进行抽样遍历，该机制可从以下三点改善模型：(1) 节约二元运算函数的计算开销，提升训练速度。此外由于计算开销的下降，更多原始特征可以输入模型，有可能提升模型的预测能力。(2)抽样遍历得到的特征之间相关性下降，有利于控制过拟合。(3) 可降低不同随机数种子下训练模型的相关性，有利于模型集成。测试中，加入自定义 Dropout 机制的AlphaNet 在收益方面的表现有小幅提升，同时训练耗时明显减少。 损失函数加入中性化机制：剔除风格，挖掘更纯粹的 Alpha 因子 为了挖掘具有增量信息的因子，本文将因子中性化机制加入到 AlphaNet 的损失函数中，新的损失函数可引导模型挖掘与 Barra 风格因子相关性较低的因子，降低风格暴露，使得模型的预测结果具有更纯粹的 Alpha 属性。测试中，AlphaNet 的损失函数加入中性化机制后，模型的超额收益虽然下降但是稳定性大幅提升，对回撤和波动的控制都显著改善，模型在 2014 年底、2019 年初、2020 年初的超额收益回撤都明显减小。值得注意的是，损失函数的中性化机制不仅适用于 AlphaNet，也适用于任何神经网络选股模型，是一个通用的方法。 损失函数中提高多头样本权重：挖掘具有显著多头收益的因子 由于 A 股做空手段有限，在 A 股进行因子投资一个常见问题是如何挖掘具有显著多头收益的因子。针对 AlphaNet，可通过提高多头样本权重来引导模型挖掘具有显著多头收益的因子。测试中，提高多头样本权重的AlphaNet 在分层测试中 TOP 组合收益率、TOP 组合信息比率更高，构建中证 500 指数增强组合的年化超额收益率、信息比率更高。该方法是一种简单而行之有效的方法，无需从底层代码对网络进行修改，其他神经网络选股模型也可进行尝试。 风险提示：通过人工智能模型构建的选股策略是历史经验的总结，存在失效的可能。神经网络受随机性影响较大，可解释性较低，使用需谨慎。 024682011/012014/012017/012020/01改进1改进2改进3基线模型 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 2 金工研究 正文目录 本文研究导读 ................................................................................................................................................................ 4 AlphaNet 的三个改进方向 ........................................................................................................................................... 5 特征提取层自定义 Dropout 机制 ........................................................................................................................... 5 损失函数改进：加入中性化机制 ........................................................................................................................... 6 损失函数改进：提高多头样本权重 ........................................................................................................................ 7 测试流程 ....................................................................................................................................................................... 8 基线模型和改进模型说明 ...................................................................................................................................... 8 数据准备..............................................................................