AI 系列研究之一：端到端的动态Alpha模型

敬请阅读末页的重要说明 证券研究报告 | 量化深度报告 2023 年 05 月 22 日 量化选股策略 ——AI 系列研究之一 本文提出了一种基于深度神经网络的动态 Alpha 因子模型，实现了端到端的因子权重训练和预期收益率预测。在 IC、ICIR、因子分组收益率、多头组合收益率等指标维度表现相比于线性 Alpha 因子模型有较为明显的提升。 ❑ 传统线性因子模型存在一定的缺陷。无套利条件中随机折现因子的线性结构学术界尚存在争论。实证研究中，残差的时序和截面的相关性以及残差的异方差性在线性因子模型中，通常需要特殊的手段处理。在因子模型中引入非线性成为学术界和业界的主流做法。 ❑ 基于 MLP 的因子网络结构，相比于 L2 正则的线性基准网络，在 RankIC 均值略有下降。多空年化收益率、多空夏普等指标改善明显。多头收益率对RankIC 的贡献提升。 ❑ 借鉴传统的 Alpha 模型，细分因子到大类因子分步合成，一般需要筛选出IC 表现较好，且相关性较低的细分因子合成大类因子，以保证大类因子的IC 表现和低相关性。在 MLP 网络中同样可以引入正交惩罚使得网络学习到的大类因子保持低相关性。 ❑ 在机器学习任务中，不同学习目标的设置同样对模型的表现有至关重要的影响。本文测试了使用 MSE、IC、CCC 不同的损失函数对模型表现的影响。IC 损失函数的综合表现最好。CCC 损失函数对应的模型的合成 zscore 因子稳定性最好。 ❑ 本文的研究过程发现 IC 作为传统的单因子表现指标，在多头选股的场景下并不能正确评估最终的选股表现。需要结合因子的多空最大回撤、多空夏普以及多头组合的表现来综合评估。 ❑ 风险提示：量化策略基于历史数据统计，模型存在失效的可能性。 任瞳 S1090519080004 rentong@cmschina.com.cn 周靖明 S1090519080007 zhoujingming@cmschina.com.cn 周游 研究助理 zhouyou4@cmschina.com.cn 端到端的动态 Alpha 模型 敬请阅读末页的重要说明 2 量化深度报告 正文目录 一、 传统因子投资框架 ................................................................................................................................................ 4 1.1. 多因子 Alpha 模型构建流程 ................................................................................................................................... 4 1.2. 当前因子模型遇到的问题 ...................................................................................................................................... 5 二、 引入非线性的 Alpha 模型 ..................................................................................................................................... 7 2.1.线性基准网络 .......................................................................................................................................................... 8 2.2.非线性 Alpha 网络 ................................................................................................................................................ 10 2.3.因子正交化正则 .................................................................................................................................................... 13 2.4.优化目标的改进 .................................................................................................................................................... 14 2.5.模型分析 ............................................................................................................................................................... 16 2.5.在不同成分股中的选股效果 .................................................................................................................................. 18 三、 总结 .................................................................................................................................................................... 18 附录：本文所使用的部分因子说明 ............................................................................................................................. 21 图表目录 图 1 ：多因子 Alpha 模型构建流程 ............................................................................................................