因子选股系列之九十七：DFQ_TRA，多交易模式学习因子挖掘系统

有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 金融工程 | 专题报告 研究结论 ⚫ 针对股票收益率预测任务，采用 TRA 模型，用以识别不同的交易模式，直面“市场规律具有时变特性”这一核心问题。期望为每只股票，在每个时刻，都能找到与之相适应的股票收益率预测器或预测器组合，从而达到更优的预测效果。为了防止输出结果集中在个别预测器，借鉴了最优传输问题（OT）来指导路由器的学习。 ◼ 多股票交易模式：现有的股票收益率预测方法通常假设股票数据独立同分布，采用单一模型对股票数据建模。但实际上：（1）股票数据通常会包含多种不同的分布。（2）市场存在不止一种交易模式。（3）交易模式存在时变特性。 ◼ TRA：由股票收益率预测器和路由器组成。预测器用于建模不同的股票交易模式，路由器用于预测样本属于哪种交易模式。TRA 可以作为一个扩展模块来增强现有的股票预测模型，使其具有学习多种交易模式的能力。 ◼ OT：为了防止输出结果集中在个别预测器，将样本到预测器的分配问题表述为一个最优传输问题，并通过一个正则化损失项来指导路由器的学习。 ◼ 多输入：使用 alpha 因子和风险因子两类输入数据。不同输入得到的因子低相关，多输入模型进行等权合成，可以进一步提升模型效果。 ◼ 特征提取：引入注意力机制，transformer 模型为更优选择。 ◼ 路由器输入：利用两种类型的信息作为路由器的输入，用于预测样本的交易模式。特征的潜在表示和预测器的预测误差对路由器都有价值。 ◼ 多预测器：多个预测器比 1 个预测器好；预测器不应高度相关，应有差异；预测器应分散配置，不应一直只选择某一个预测器；预测器数量不需要太多。 ◼ 端对端：TRA 是一个端对端模型，直接给出多因子的加权方案，并且对于每个时刻每个股票，加权方式都可以不一样，完全灵活。 ⚫ 合成因子绩效：在中证全指股票池中，TRA 模型合成因子得分在测试集（2020-2023 年）上 rankic16.38%，rankicir1.22（未年化），20 分组多头年化超额收益23.86%，月均单边换手仅 57%。样本外未出现衰减，今年表现最好，2023 年 rankic达到 20.18%。因子整体衰减速度较慢，rankic 滞后 20 天仅衰减 30%左右。因子中性化后 rankic 仍有 13.88%。随机种子对全市场训练的的 TRA 模型结果影响很小，5个路径下得到的因子值相关系数在 90%左右。 ⚫ Top 组合绩效：在中证全指内，使用 TRA 模型构建的 top100 组合，2020 年以来年化超额收益达到 31.27%，单边年换手 8 倍，最大回撤 21.67%。2021-2023 年，每年相比中证全指的超额收益都在 20%以上，2023 年到 10 月 19 号绝对收益达到17%，超额收益达到 25%。 ⚫ 沪深 300 指数增强组合：TRA 模型在沪深 300 指增组合中表现突出，2020 年以来信息比达到 1.87，年化对冲收益超 13%，单边年换手仅 6 倍。每年均取得正超额，2023 年到 10 月 19 号对冲收益达到 10.53%。 ⚫ 中证 500 指数增强组合：TRA 模型在中证 500 指增组合中表现突出，优于 300 增强。2020 年以来信息比达到 1.85，年化对冲收益达 14%，单边年换手仅 8 倍。2020-2023 年每年超额都超过 10%，2023 年到 10 月 19 号对冲收益达 10%。 ⚫ 中证 1000 指数增强组合：TRA 模型在中证 1000 指增组合中表现突出，优于 300 和500 增强。2020 年以来信息比达 2.35，年化对冲收益达 18.47%，单边年换手仅 8.8倍。2020-2023 年每年超额都超过 10%，2023 年到 10 月 19 号对冲收益达 10%。 风险提示 1. 量化模型失效风险。 2. 极端市场环境对模型的影响。 报告发布日期 2023 年 11 月 14 日 杨怡玲 yangyiling@orientsec.com.cn 执业证书编号：S0860523040002 刘静涵 021-63325888*3211 liujinghan@orientsec.com.cn 执业证书编号：S0860520080003 香港证监会牌照：BSX840 基于残差网络的端到端因子挖掘模型：——因子选股系列之九十六 2023-08-24 DFQ 强化学习因子组合挖掘系统：——因子选股系列之九十五 2023-08-17 UMR2.0——风险溢价视角下的动量反转统一框架再升级：——因子选股系列之九十四 2023-07-13 集成模型在量价特征中的应用：——因子选股系列之九十三 2023-07-01 基于时点动量的因子轮动：——因子选股系列之九十二 2023-06-28 基于循环神经网络的多频率因子挖掘：——因子选股系列之九十一 2023-06-06 DFQ 遗传规划价量因子挖掘系统：——因子选股系列之九十 2023-05-28 DFQ-TRA：多交易模式学习因子挖掘系统 ——因子选股系列之九十七 金融工程 | 专题报告 —— DFQ-TRA：多交易模式学习因子挖掘系统 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 2 目 录 一、模型概述 ................................................................................................. 6 1.1 多股票交易模式 ............................................................................................................ 6 1.2 TRA（时域路由适配器，Temporal Routing Adaptor） ................................................. 7 1.3 OT（最优运输， Optimal Transport） ......................................................................... 8 二、模型核心要点 ........................................................................................ 10 2.1 多输入：alpha 因子+风险因子 ................................................................................... 10 2.2 特征提取：注意力机制的引入 .............