开源量化评论(103)：深度学习赋能风格轮动与多策略融合

金融工程专题 请务必参阅正文后面的信息披露和法律声明 1 / 16 2024 年 12 月 12 日 《遗传算法赋能交易行为因子—市场微观结构（20）》-2023.8.6 《深度学习赋能交易行为因子—市场微观结构（24）》-2024.5.24 《深度学习赋能分析师行为：更稳的盈利预期调整组合—开源量化评论（99）》-2024.8.8 深度学习赋能风格轮动与多策略融合 ——开源量化评论（103） 魏建榕（分析师） 盛少成（分析师） weijianrong@kysec.cn 证书编号：S0790519120001 shengshaocheng@kysec.cn 证书编号：S0790523060003  深度学习赋能交易行为因子挖掘 在《深度学习赋能交易行为因子》中，我们从最基本的行情和财务数据出发，讨论了 LSTM 模型在因子挖掘中的应用，从 2019 年至今月度 RankIC 均值为 9.37%。在《深度学习赋能分析师行为：更稳的盈利预期调整组合》中，我们利用了Transformer 模型进行了研报情感的判断，其也可用在因子挖掘中，相较于 LSTM模型，该模型能够更好的把握时序数据的隐含关系，月度 RankIC 提升至 10.27%。  深度学习维度下的风格选择 对于风格的界定，本文以多策略基本面选股公式“股票收益=估值提升+盈利+分红”为基础，同时考虑了对市场影响较大的其他风格，最终确定为：市值、价值、质量、成长、红利。我们采取全市场股票高低二分组，并将不同的风格进行两两组合，构建 40 个股票等权组合，月度更新，形成 40 种风格指数。 若直接从指数层面出发，指数 Transformer 因子的月度 RankIC 为 6.13%，具备一定风格轮动效果，但该因子在优选多头层面效果一般，在尾部剔除层面效果较好。 若从 Transformer 股票因子维度出发，其截面分位点聚合至指数的绝对比例有一定区分度，且多头效果优于空头。 深度学习风格综合优选方案：首先使用指数 Tramsformer 因子剔除排名后 1/4 的风格，再在剩下的风格指数池中利用股票 Tramsformer 因子聚合至指数的绝对比例优选2 种风格，相较风格等权而言，超额收益波动比为 0.97。  强化学习维度下的风格选择 对于强化学习输入端，我们使用 Transformer 模型进行风格指数短周期(1 日)和长周期(5 日)的滚动预测，并将短、长周期的隐藏层合并后输入强化学习模型。 对于 PPO 和 SAC 算法而言，日度调仓下 SAC 算法的效果明显优于 PPO 算法。但 SAC 方法在月频的训练结果一般，样本量较少导致收敛较难以及稳定性较差。因此综合考虑后的月频调仓方式为：将每日风格持仓的变动滚动 20 日取平均，每月底取较高的 10 种风格，相较风格等权而言，超额收益波动比为 1.70。  多策略融合实践 综合考虑深度学习和强化学习的优劣，采取强化学习为主、深度学习为辅的方式： 1、在强化学习优选的 10 种风格中，每种风格选取股票 Transformer 因子值较大的 100 只个股，取并集，得到股票池 A，并统计每只个股出现的次数，得到 A_count序列； 2、若股票池 A 中有股票位于深度学习优选的 2 种风格中，则在原始计数上加上A_count 中位数的 1/3 倍，得到 A_count_adjust 序列； 3、选取 A_count_adjust 序列靠前的 100 只个股，若出现两只股票排序相同的情况，优先选择股票 Transformer 因子值较大那只。相较于 Transformer100 而言，考虑风格后的 Transformer 优选 100 收益波动比从 0.94 提升至 1.47。  风险提示：本报告模型基于历史数据测算，市场未来可能发生重大改变。 相关研究报告 金融工程研究团队 开源证券 证券研究报告 金融工程专题 金融工程研究 魏建榕（首席分析师） 证书编号：S0790519120001 张 翔（分析师） 证书编号：S0790520110001 傅开波（分析师） 证书编号：S0790520090003 高 鹏（分析师） 证书编号：S0790520090002 苏俊豪（分析师） 证书编号：S0790522020001 胡亮勇（分析师） 证书编号：S0790522030001 王志豪（分析师） 证书编号：S0790522070003 盛少成（分析师） 证书编号：S0790523060003 苏 良（分析师） 证书编号：S0790523060004 何申昊（分析师） 证书编号：S0790524070009 陈 威（研究员） 证书编号：S0790123070027 蒋 韬（研究员） 证书编号：S0790123070037 金融工程专题 请务必参阅正文后面的信息披露和法律声明 2 / 16 目 录 1、 深度学习赋能交易行为因子挖掘 ............................................................................................................................................ 4 1.1、 LSTM 深度学习因子挖掘框架和绩效回顾 .................................................................................................................. 4 1.2、 Transformer 深度学习因子挖掘对比 ............................................................................................................................. 5 1.3、 Transformer 因子多头优选............................................................................................................................................. 6 2、 深度学习维度下的风格选择 .................................................................................................................................................... 7 2.1、 风格优选：指数 Transformer 因子 ...................................................................................................................