因子选股系列之一一六：Neural+ODE，时序动力系统重构下深度学习因子挖掘模型

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。 金融金融工程工程 | 专题报题报告 研究结论 金融数据常因停牌、财报发布和突发事件等因素存在缺失、噪声及异常等问题，这些问题通常会影响模型稳定性以及样本外的泛化能力。本文提出一种 RNN+Neural ODE+MLP融合模型，将时序数据建模为微分动力系统，然后进行数据重构和特征提取，从而提升模型样本外的选股鲁棒性。整个模型由以下部分构成： ⚫ 通过 RNN 和 Neural ODE 模型构建变分自编码层（VAE 层），利用 RNN 进行时序数据的压缩和降维，再将神经微分方程（Neural ODE）学习时序数据隐含的时序演化规律，将数据进行去噪和重构。 ⚫ 最后我们将重构去噪后的数据输入 MLP 层进行 alpha 信息的捕捉和挖掘，从而对未来收益率标签进行拟合。 模型因子对比 通过将 Baseline 模型和新模型因子多头绩效的对比，我们得到以下结论： ⚫ 相较于 Baseline 模型，除 2020 年和今年，其余各年份 Model1 因子的多头超额均能大幅跑赢。而分组超额来看，Model1 的 Top 组和 Grp1 组超额相较于 Baseline 模型分别提升了 1.91%和 3.07%，说明新模型相对于 Baseline 能大幅改善多头的表现。 ⚫ 在 2024 年出现较为极端的市场环境下，Model1 因子多头超额相较于 Baseline 模型提升了 6.63%，最大回撤也有所下降，说明 Model1 抗风险能力相对更强。 ⚫ 在各个回测区间，Model1 因子的多头组合换手率相较于 Baseline 均有一定程度的下降。这意味着实盘可能有更高的交易成本优势。 ⚫ Baseline 模型和 Model1 模型多头超额净值走势趋同度较高，各年度的最大回撤区间基本上重合，说明各类模型从相同量价特征中提取的 alpha 信息一致性相对较高。 因子选股能力和行业轮动能力的表现 ⚫ 新模型 2018 年以来在中证全指上十日 RankIC 均值为 16.33%，top 组年化超额分别为 54.54%。相较于基准，新模型选股效果均有明显提升。行业轮动方面，2018 年以来，新模型 RankIC 可达 12.55%，Top 组年化超额可达 25.27%，各项指标表现也是显著战胜基准。 ⚫ 本文生成因子也可以直接应用于指数增强策略，在各宽基指数上均能获得显著的超额收益，在成分股不低于 80%限制、周单边换手率为 20%约束下，在沪深 300、中证 500 和中证 1000 增强策略上 2018 年以来新模型年化超额收益率分别为 16.67%，21.37%和 32.41%，超额的夏普比率分别为 3.14、3.21、4.37。 风险提示 ⚫ 量化模型失效 ⚫ 极端市场造成冲击，导致亏损 报告发布日期 2025 年 05 月 27 日 杨怡玲 yangyiling@orientsec.com.cn 执业证书编号：S0860523040002 陶文启 taowenqi@orientsec.com.cn 执业证书编号：S0860524080003 ADWM：基于门控机制的自适应动态因子加权模型：——因子选股系列之一一二 2025-04-10 ABCM：基于神经网络的alpha因子和beta因子协同挖掘模型：——因子选股系列之一一〇 2024-12-03 自适应时空图网络周频 alpha 模型：——因子选股系列之一〇一 2024-02-28 Neural ODE：时序动力系统重构下深度学习因子挖掘模型 ——因子选股系列之一一六 金融工程 | 专题报告 —— Neural ODE：时序动力系统重构下深度学习因子挖掘模型 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 引言 ............................................................................................................... 4 一、新模型细节介绍 ...................................................................................... 5 1.1 神经网络与微分方程的联系 .......................................................................................... 5 1.2 神经微分方程模型 ........................................................................................................ 7 1.3 本文模型结构和损失函数 ............................................................................................. 8 1.4 新模型重构数据表现 ..................................................................................................... 9 二、模型生成因子表现分析 .......................................................................... 10 2.1 回测说明 ..................................................................................................................... 10 2.2 因子中证全指绩效分析 ............................................................................................... 11 2.3 因子与各风格因子相关性分析 .................................................................................... 13 三、周频行业轮动绩效分析 .......................................................................... 13 四、Top 与指数增强组合表现 .....................................................................