AI系列研究之二：多模型集成量价Alpha策略

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 10 月 25 日 量化选股策略 ——AI 系列研究之二 随着各家机构量化因子库的不断完善，人工因子的挖掘逐渐遇到瓶颈。此外，因子拥挤度提升和策略同质化的现象导致传统因子多头收益率的降低。基于机器学习的非线性模型用于因子挖掘的算法逐渐受到重视。本文将基于量价数据和不同的模型探讨机器学习生成 Alpha 因子的表现。 ❑ 本文基于截面模型 MLP、GBDT 和时序模型 GRU 构建因子生成模型。在引入截面特征序列后截面模型与时序模型的因子学习能力基本处于同一水平。 ❑ 引入 Attention 机制后 GRU 生成的因子表现没有明显提高。可能是由于模型复杂度的提升，需要更多的样本数据和训练轮数来学习量价特征。 ❑ 基于 GBDT 的截面模型因子，在全 A 成分股内，RankIC 为 10.66%，ICIR为 1.14（未年化），分 20 组的多头对冲年化收益率为 29.84%；基于 GRU的时序模型因子在全 A 成分股中，RankIC 为 11.3%，ICIR 达到 1.06（未年化），分 20 组的多头对冲年化收益率为 28.83% ❑ 模型集成后的得到得集成因子相比于单个模型得到的因子表现提升较为明显。集成因子与常见因子的相关性整体较低。集成因子相比于单个模型的因子 RankIC 提升到 11.9%，ICIR 达到 1.13（未年化），多头收益率提高到33.11%。 ❑ 基于集成因子构建的 TOP100 策略的绝对收益表现良好，除 2018 年外，在单边换手率约束为 40%以上时，绝对年化收益率显著为正。 ❑ 集成学习模型因子与常见风格因子整体相关性较低，在流动性和残差波动率风格上有一定的暴露。风格中性化后集成因子的多头收益率有所下降，但Alpha 选股仍然显著。 ❑ 沪深 300 周频指增策略年化超额收益率为 13.00%，信息比率为 4.13，年化跟踪误差为 3.15% ❑ 中证 500 周频指增策略年化超额收益率为 14.14%，信息比率为 2.26，年化跟踪误差为 6.23%； ❑ 中证 1000 周频指增策略年化超额收益率为 20.13%，信息比率为 3.07，跟踪误差为 6.55% ❑ 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 S1090523070015 zhouyou4@cmschina.com.cn 多模型集成量价 Alpha 策略 敬请阅读末页的重要说明 2 量化深度报告 正文目录 一、 时序神经网络与其他截面学习模型 ....................................................................................................................... 4 1.1. 多层感知机 MLP .................................................................................................................................................... 4 1.2. 梯度提升树 GBDT ................................................................................................................................................. 5 1.3. 时序神经网络 RNN ................................................................................................................................................ 6 二、 基于日线量价数据生成 Alpha ............................................................................................................................... 7 2.1. 数据集和模型设定说明 .......................................................................................................................................... 7 2.2. 不同模型生成的 Alpha 表现分析 ......................................................................................................................... 10 2.3. 模型相关性分析与模型集成 ................................................................................................................................. 11 2.4. TOP100 策略分析 ................................................................................................................................................ 13 三、 指数增强策略构建 .............................................................................................................................................. 14 3.1. 沪深 300 指数增强策略 ........................................................................................................................................ 15 3.2. 中证 500 指数增强策略 ................................................................