“学海拾珠”系列之二百零四，RSAP-DFM：基于连续状态的动态因子模型

敬请参阅末页重要声明及评级说明 证券研究报告 RSAP-DFM：基于连续状态的动态因子模型 ——“学海拾珠”系列之二百零四 [Table_RptDate] 报告日期：2024-09-11 [Table_Author] 分析师：骆昱杉 执业证书号：S0010522110001 邮箱：luoyushan@hazq.com 分析师：严佳炜 执业证书号：S0010520070001 邮箱：yanjw@hazq.com [Table_CompanyReport] 相关报告 1. 《基金业绩与风格暴露的变化——“学海拾珠”系列之二百零三》 2. 《基于特征显著性隐马尔可夫模型的动态资产配置——“学海拾珠”系列之二百零二》 3. 《上市公司的财报电话会议对股价的影响——“学海拾珠”系列之二百零一》 4. 《数据挖掘的修正与基金的业绩表现——“学海拾珠”系列之二百》 5. 《宏观趋势与因子择时——“学海拾珠”系列之一百九十九》 6. 《另类情绪指标与股票市场收益之间的关系——“学海拾珠”系列之一百九十八》 7. 《基金在风格层面的情绪择时——“学海拾珠”系列之一百九十七》 8. 《宏观环境对价值溢价的影响——“学海拾珠”系列之一百九十六》 主要观点： [Table_Summary] 本篇是“学海拾珠”系列第二百零四篇，文章提出了一个基于连续状态的动态因子模型 RSAP-DFM，该模型自适应地提取连续的宏观经济信息，并通过双重状态转换对股票收益的进行动态显式映射，引入遵循对抗学习思想的后验因子有效地纠正了先前因子映射的偏差。 ⚫ 基于连续状态的动态因子模型 RSAP-DFM RSAP-DFM 框架能够自适应地提取连续的宏观经济信息，并通过双重状态转换对股票收益的进行动态显式映射，对抗性后验因子有效地纠正了先前因子映射的偏差。RSAP-DFM 框架包括特征提取器、基于多头注意力的因子编码器、双重动态因子模型、自适应因子后验模块。特征提取器用于股票隐态和宏观模式嵌入，并提出了一个双编码器来处理双重状态转换特征；基于多头注意力机制的先验因子编码器，以编码具有状态转换跳跃的因子；用于股票预测的双重动态因子模型结合神经网络来协调 α、β 和因子；引入遵循对抗学习思想的自适应因子后验模块，以进一步纠正先前因子映射的偏差。此外，模型还集成了一个创新的两阶段优化算法和正态分布采样，进一步增强了模型的鲁棒性。 ⚫ RSAP-DFM 预测性能更优 文章使用中国 A 股市场数据来测试 RSAP-DFM 模型的性能，研究结果显示显式的宏观经济信息映射方法增强了我们模型的可解释性。模型在实际股票市场中的显示出了预测能力：该模型在股票预测方面优于当前最先进的模型；消融实验表明双层优化能提升模型的性能；双重状态转换架构有助于提高预测性能；引入对抗学习的后验因子优于之前的方法；多空策略的表现明显优于基线模型。 ⚫ 文献来源 核心内容摘选自 Quanzhou Xiang , Zhan Chen , Qi Sun ， Rujun Jiang 于 2024 年 7 月 26 日在 International Joint Conference on Artificial Intelligence 上的文章《RSAP-DFM: Regime-Shifting Adaptive Posterior Dynamic Factor Model forStock Returns Prediction》 ⚫ 风险提示 文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。 [Table_StockNameRptType] 金融工程 专题报告 [Table_CommonRptType] 金融工程 敬请参阅末页重要声明及评级说明 2 / 18 证券研究报告 正文目录 1 引言 ...................................................................................................................................................................................................... 4 2 相关工作 .............................................................................................................................................................................................. 5 2.1 技术分析中的深度学习............................................................................................................................................................... 5 2.2 因子模型 ........................................................................................................................................................................................ 6 3 准备工作 .............................................................................................................................................................................................. 6 3.1 动态因子模型 ............................................................................................................................................................................... 7 3.2 研究问题 ..................................................................................