机器学习系列之九，Mamba-MoE：风险中性化与多模型融合

请务必阅读正文后的声明及说明 [Table_Info1] 证券研究报告 [Table_Date] 发布时间：2025-05-29 [Table_Invest] 中证 1000 增强超额净值 [Table_Report] 相关报告 《公募偏股基金业绩基准分析、启发与增强》 --20250511 《上月规模、流动性和 Beta 因子表现较优》 --20250507 《债基回报收窄，久期与杠杆下调》 --20250423 《资产组合的整体尾部风险度量模型》 --20250420 《上月反转、波动率和技术因子表现较优》 --20250403 [Table_Author] 证券分析师：王琦 执业证书编号：S0550521100001 021-61002390 wangqi_5636@nesc.cn 证券分析师：贾英 执业证书编号：S0550524060004 13666061675 jiaying@nesc.cn [Table_Title] 证券研究报告 /金融工程研究报告 Mamba-MoE：风险中性化与多模型融合 ---机器学习系列之九 报告摘要： [Table_Summary] 降低模型的风险暴露获取长期更优更稳定的超额收益。目前的研究主要有两类，一类允许模型具有风险暴露，并依赖模型对风格的轮动和择时获取绝对收益；另一类旨在将 Alpha 与 Beta 解耦，即尽可能降低模型的风险暴露，追求更低的回撤以及更稳定的超额收益。后者的实现过程一般依赖中性化，但目前的实现方式存在着三个缺陷：线性回归中性化未考虑风险因子间的非线性交互信息；未考虑股票间的关联关系带来的风险；因子值层面的中性化导致最终的信号与模型的训练目标不一致。 多模型融合能够提供信息增益。单一的模型可能存在着一定的随机性，而不同结构的模型、不同的训练方式与设定具有不同的侧重点，多模型集成过程一方面将噪声部分相抵消，另一方面能够综合各模型的优势。传统的训练方式中，验证集的选择一般为近期，但样本外数据分布并不一定与验证集分布相似，例如在事件冲击或剧烈的风格切换后，选择近期验证集上最优的模型可能面临着样本外泛化性不足的风险。K 折交叉验证能够在一定程度上缓解数据分布漂移问题，集成多个验证集上最优的模型能够让结果更加稳健。 Mamba-MoE 在高效提取时间序列特征的同时，将线性与非线性的风险约束纳入训练过程，并通过交叉验证与多模型集成的方式提升稳健性。Mamba 相比于 Transformer 具有更低的计算复杂度，相比于 RNN 类模型其训练过程支持并行，能够快速有效地进行特征提取。另外，模型训练过程引入了对风险因子的约束，从而避免在组合优化中因限制风格偏离而对信号产生的影响；同时也考虑了非线性风险因子，包含风险因子间的非线性交互信息以及股票间行业层面与交易层面的关联信息。最后通过交叉验证与专家混合模型进行多模型集成，提升泛化性。 Mamba-MoE 生成因子稳定性更好。风险约束的加入降低了因子的风险暴露，在因子层面进行风险线性中性化后，因子表现衰减较弱。非线性风险约束的加入对因子的多空稳定性有进一步的提升。多标签多验证集得到的因子具有明显的差异性，融合后效果更佳。Mamba-MoE 因子周度Rank IC：13.22%，ICIR：1.28，十分组周频调仓多头年化收益：33.01%，多空 Sharpe ratio：9.25。从历史平均的风险相关性来看具有一定程度的低波动与低流动性暴露，另外对价值与盈利也有着一定的偏向，但整体控制在较低水平，对市值的相关性不明显。 指数增强策略表现优异。在控制整体换手的约束下，2018 年至 2025 年4 月周频调仓的沪深 300 增强组合年化超额收益率 9.02%，跟踪误差4.26%；中证 500 增强组合年化超额收益率 11.63%，跟踪误差 4.92%；中证 1000 增强组合年化超额收益率 17.74%，跟踪误差 5.52%。在严格控制风险暴露和跟踪误差的同时，取得稳定优异的表现。 风险提示：以上分析基于模型结果和历史测算，存在模型失效风险。 请务必阅读正文后的声明及说明 2 / 30 [Table_PageTop] 金融工程研究 目 录 1. 引言 ....................................................................................................................... 4 2. Mamba 与 MoE 介绍 .......................................................................................... 5 2.1. Mamba 与时间序列 .................................................................................................................. 5 2.2. 混合专家模型 MoE .................................................................................................................. 7 3. 基于 Mamba 的风险中性化模型与多模型融合 ............................................... 9 3.1. 模型架构 ................................................................................................................................... 9 3.2. 模型训练与测试 ..................................................................................................................... 10 4. 结果对比 ............................................................................................................ 17 4.1. 消融实验 ................................................................................................................................. 17 4.2. 多标签测试 .................................