量化選股系列之一：StyleNet，捕捉市場(chǎng)風(fēng)格信息的多因子挖掘模型.pdf

量化選股系列之一：StyleNet，捕捉市場(chǎng)風(fēng)格信息的多因子挖掘模型。隨著人工智能學(xué)科的快速發(fā)展，深度學(xué)習(xí)模型在選股問(wèn)題上得到廣泛應(yīng)用并有較為突出的表現(xiàn)。早期深度學(xué)習(xí) RNN 1.0 選股模型只訓(xùn)練Alpha 因子來(lái)預(yù)測(cè)收益，但由于缺乏明確準(zhǔn)則界定 Alpha 與風(fēng)險(xiǎn)，模型產(chǎn)生的因子易在市場(chǎng)風(fēng)格突變時(shí)失效（如2024 年“9.24”行情中產(chǎn)生的負(fù)相關(guān)風(fēng)險(xiǎn)），隨后的ABCM2.0 體系雖然實(shí)現(xiàn)了Alpha與風(fēng)險(xiǎn)的分離，但仍無(wú)法完全刻畫(huà)復(fù)雜的市場(chǎng)結(jié)構(gòu)。我們認(rèn)為在Alpha與風(fēng)險(xiǎn)之間存在一類“風(fēng)格成分”，它們具有一定的截面解釋力且選股能力微弱或不穩(wěn)定，但其方向在特定條件下可被預(yù)測(cè)，因此我們搭建了一套用于捕捉風(fēng)格信息的StyleNet3.0 選股模型。

StyleNet 模型的核心思想在于通過(guò)擬合一批選股能力不穩(wěn)定但其方向具有一定可預(yù)測(cè)性的因子來(lái)形成相應(yīng)的風(fēng)格因子，最終再通過(guò)對(duì)風(fēng)格因子進(jìn)行短周期加權(quán)的方式來(lái)捕捉風(fēng)格輪動(dòng)帶來(lái)的超額收益。

對(duì)比 3 個(gè)版本因子的相關(guān)性與風(fēng)格暴露情況，我們可以得出結(jié)論：不同因子間相關(guān)性較低，獲得 alpha 收益來(lái)源互不相同，將不同因子疊加能夠起到提升穩(wěn)定性的作用。且相對(duì)于 RNN 因子，StyleNet 模型對(duì)市場(chǎng)風(fēng)格切換的靈敏度相對(duì)更高。

對(duì)各個(gè)因子多頭超額進(jìn)行回測(cè)，我們發(fā)現(xiàn)：

StyleNet 因子 2024 年以來(lái)的超額凈值走勢(shì)與其他因子存在較大差異，并且其還能提供獨(dú)立于 RNN 和 ABCM 因子的增量信息；

把StyleNet因子疊加到RNN+ABCM因子上，合成因子表現(xiàn)有了大幅提高，2018年以來(lái)中證全指上 RankIC 可達(dá) 15.51%，年化多頭超額可達(dá)49.42%。

合成因子在指增模型和行業(yè)輪動(dòng)模型上亦有較好的表現(xiàn)：

2018 年以來(lái)，因子在滬深 300、中證 500 和中證1000 指增模型上年化超額收益分別可達(dá) 15.09%、17.83%和 27.98%；

在行業(yè)輪動(dòng)上的 RankIC 可達(dá) 10.68%，Top5 行業(yè)年化絕對(duì)收益可達(dá)23.83%，每年絕對(duì)收益均為正。