因子选股系列之九十七：DFQ-TRA：多交易模式学习因子挖掘系统

DFQ-TRA：多交易模式学习因子挖掘系统 ——因子选股系列之九十七 研究结论 针对股票收益率预测任务，采用TRA模型，用以识别不同的交易模式，直面“市场规律具有时变特性”这一核心问题。期望为每只股票，在每个时刻，都能找到与之相适应的股票收益率预测器或预测器组合，从而达到更优的预测效果。为了防止输 出结果集中在个别预测器，借鉴了最优传输问题（OT）来指导路由器的学习。 多股票交易模式：现有的股票收益率预测方法通常假设股票数据独立同分布，采用单一模型对股票数据建模。但实际上：（1）股票数据通常会包含多种不同的分布。（2）市场存在不止一种交易模式。（3）交易模式存在时变特性。 金融工程|专题报告 报告发布日期2023年11月14日 杨怡玲yangyiling@orientsec.com.cn 执业证书编号：S0860523040002 刘静涵021-63325888*3211 liujinghan@orientsec.com.cn 执业证书编号：S0860520080003香港证监会牌照：BSX840 TRA：由股票收益率预测器和路由器组成。预测器用于建模不同的股票交易模式，路由器用于预测样本属于哪种交易模式。TRA可以作为一个扩展模块来增强现有的股票预测模型，使其具有学习多种交易模式的能力。 OT：为了防止输出结果集中在个别预测器，将样本到预测器的分配问题表述为一个最优传输问题，并通过一个正则化损失项来指导路由器的学习。 多输入：使用alpha因子和风险因子两类输入数据。不同输入得到的因子低相关，多输入模型进行等权合成，可以进一步提升模型效果。 特征提取：引入注意力机制，transformer模型为更优选择。 路由器输入：利用两种类型的信息作为路由器的输入，用于预测样本的交易模式。特征的潜在表示和预测器的预测误差对路由器都有价值。 多预测器：多个预测器比1个预测器好；预测器不应高度相关，应有差异；预测器应分散配置，不应一直只选择某一个预测器；预测器数量不需要太多。 端对端：TRA是一个端对端模型，直接给出多因子的加权方案，并且对于每个时刻每个股票，加权方式都可以不一样，完全灵活。 合成因子绩效：在中证全指股票池中，TRA模型合成因子得分在测试集（2020-2023年）上rankic16.38%，rankicir1.22（未年化），20分组多头年化超额收益 23.86%，月均单边换手仅57%。样本外未出现衰减，今年表现最好，2023年rankic达到20.18%。因子整体衰减速度较慢，rankic滞后20天仅衰减30%左右。因子中性化后rankic仍有13.88%。随机种子对全市场训练的的TRA模型结果影响很小，5个路径下得到的因子值相关系数在90%左右。 Top组合绩效：在中证全指内，使用TRA模型构建的top100组合，2020年以来年化超额收益达到31.27%，单边年换手8倍，最大回撤21.67%。2021-2023年，每 年相比中证全指的超额收益都在20%以上，2023年到10月19号绝对收益达到 17%，超额收益达到25%。 沪深300指数增强组合：TRA模型在沪深300指增组合中表现突出，2020年以来信息比达到1.87，年化对冲收益超13%，单边年换手仅6倍。每年均取得正超额，2023年到10月19号对冲收益达到10.53%。 中证500指数增强组合：TRA模型在中证500指增组合中表现突出，优于300增强。2020年以来信息比达到1.85，年化对冲收益达14%，单边年换手仅8倍。2020-2023年每年超额都超过10%，2023年到10月19号对冲收益达10%。 中证1000指数增强组合：TRA模型在中证1000指增组合中表现突出，优于300和500增强。2020年以来信息比达2.35，年化对冲收益达18.47%，单边年换手仅8.8倍。2020-2023年每年超额都超过10%，2023年到10月19号对冲收益达10%。 风险提示 1.量化模型失效风险。 2.极端市场环境对模型的影响。 基于残差网络的端到端因子挖掘模型：— —因子选股系列之九十六 DFQ强化学习因子组合挖掘系统：——因子选股系列之九十五 UMR2.0——风险溢价视角下的动量反转统一框架再升级：——因子选股系列之九十四 集成模型在量价特征中的应用：——因子选股系列之九十三 基于时点动量的因子轮动：——因子选股系列之九十二 基于循环神经网络的多频率因子挖掘：— —因子选股系列之九十一 DFQ遗传规划价量因子挖掘系统：——因子选股系列之九十 2023-08-24 2023-08-17 2023-07-13 2023-07-01 2023-06-28 2023-06-06 2023-05-28 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。 目录 一、模型概述6 1.1多股票交易模式6 1.2TRA（时域路由适配器，TemporalRoutingAdaptor）7 1.3OT（最优运输，OptimalTransport）8 二、模型核心要点10 2.1多输入：alpha因子+风险因子10 2.2特征提取：注意力机制的引入11 2.3路由器输入：特征潜在表示和预测器的预测误差11 2.4多预测器：寻找不同股票不同时刻适合的预测器12 2.5端对端：直接给出多因子的加权方案13 三、模型说明14 3.1样本空间14 3.2数据区间14 3.3解释变量和预测标签14 3.4数据处理14 3.5损失函数设计15 3.6对抗过拟合技巧15 3.7模型参数17 3.8模型流程17 四、模型结果19 4.1运算用时19 4.2合成因子绩效19 4.3合成因子分年表现21 4.4合成因子衰减速度23 4.5中性化因子表现23 4.6随机种子的影响23 4.7与其他常见量价因子相关性24 五、TOP组合29 5.1top组合构建说明29 5.2top组合业绩29 六、指数增强组合31 6.1指数增强组合构建说明31 6.2沪深300指数增强组合业绩31 6.3中证500指数增强组合业绩32 6.4中证1000指数增强组合业绩34 参考文献36 风险提示36 图表目录 图1：不同机构持股比分组下的动量因子表现(2009.12.31-2023.9.15)6 图2：A股中Momentum、Value、Size三个因子每年的多头超额收益（2007-2020）7 图3：A股中Momentum、Value、Size三个因子的截面回归系数（2007-2020）7 图4：TRA：预测器+路由器框架7 图5：TRA网络架构示意图7 图6：全市场估值因子分域绩效表现(2020.1.1-2023.6.30)10 图7：不同输入下TRA模型因子值spearman相关性(2020.1.1-2023.6.30)10 图8：不同输入下TRA模型绩效表现对比(2020.1.1-2023.7.21)10 图9：不同特征提取方式下TRA模型绩效表现对比(2020.1.1-2023.7.21)11 图10：不同路由器输入下TRA模型绩效表现对比(2020.1.1-2023.7.21)12 图11：多预测器和单一预测器下的TRA模型绩效表现对比(2020.1.1-2023.7.21)12 图12：TRA模型原版5个预测器的相关性(2020.1.1-2023.6.30)12 图13：TRA模型新版5个预测器的相关性(2020.1.1-2023.6.30)12 图14：TRA模型不加OT时5个预测器的表现(2020.1.1-2023.6.30)13 图15：TRA模型加OT时5个预测器的表现(2020.1.1-2023.6.30)13 图16：加OT和不加OT下的TRA模型绩效表现对比(2020.1.1-2023.7.21)13 图17：5个预测器和10个预测器的TRA模型绩效表现对比(2020.1.1-2023.7.21)13 图18：TRA模型预测标签Y不同处理方式绩效表现对比(2020.1.1-2023.7.21)14 图19：TRA模型解释变量X不同处理方式绩效表现对比(2020.1.1-2023.7.21)15 图20：TRA模型X和Y中性化前后绩效表现对比(2020.1.1-2023.7.21)15 图21：TRA模型gumbel-softmax和softmax绩效表现对比(2020.1.1-2023.7.21)16 图22：DFQ-TRA模型主要参数设置17 图23：TRA模型GP输入下训练集和验证集中IC、MSE、MAE、ICIR变化19 图24：TRA模型RISK输入下训练集和验证集中IC、MSE、MAE、ICIR变化19 图25：中证全指股票池各模型因子绩效表现（2020.1.1-2023.9.15）20 图26：沪深300股票池各模型因子绩效表现（2020.1.1-2023.9.15）20 图27：中证500股票池各模型因子绩效表现（2020.1.1-2023.9.15）20 图28：中证1000股票池各模型因子绩效表现（2020.1.1-2023.9.15）20 图29：中证全指股票池各模型因子分年绩效表现（2020.1.1-2023.9.15）21 图30：沪深300股票池各模型因子分年绩效表现（2020.1.1-2023.9.15）21 图31：中证500股票池各模型因子分年绩效表现（2020.1.1-2023.9.15）22 图32：中证1000股票池各模型因子分年绩效表现（2020.1.1-2023.9.15）22 图33：中证全指股票池TRA模型因子衰减速度（2020.1.1-2023.9.15）23 图34：中证全指股票池各模型中性化因子绩效表现（2020.1.1-2023.9.15）23 图35：中证全指股票池TRA模型GP输入下5个随机种子得到的因子值相关系数（2020.1.1-2023.9.15）23 图36：中证全指股票池TRA模型RISK输入下5个随机种子得到的因子值相关系数（2020.1.1-2023.9.15）23 图37：中证全指股票池中各模型因子值相关性（2020.1.1-2023.6.30）24 图38：中证全指股票池中各模型rankic相关性（2020.1.1-2023.6.30）24 图39：沪深300股票池中各模型因子值相关性（2020.1.1-2023.6.30）24 图40：沪深300股票池中各模型rankic相关性（2020.1.1-2023.6.30）24 图41：中证500股票池中各模型因子值相关性（2020.1.1-2023.6.30）24 图42：中证500股票池中各模型rankic相关性（2020.1.1-2023.6.30）24 图43：中证1000股票池中各模型因子值相关性（2020.1.1-2023.6.30）24 图44：中证1000股票池中各模型rankic相关性（2020.1.1-2023.6.30）24 图45：中证全指股票池中两两回归残差绩效表现（2020.1.1-2023.9.15）25 图46：沪深300股票池中两两回归残差绩效表现（2020.1.1-2023.9.15）25 图47：中证500股票池中两两回归残差绩效表现（2020.1.1-2023.9.15）26 图48：中证1000股票池中两两回归残差绩效表现（2020.1.1-2023.9.15）26 图49：中证全指股票池中多模型结合绩效表现（2020.1.1-2023.9.15）27 图50：沪深300股票池中多模型结合绩效表现（2020.1.1-2023.9.15）27 图51：中证500股票池中多模型结合绩效表现（2020.1.1-2023.9.15）27 图52：中证1000股票池中多模型结合绩效表现（2020.1.1-2023.9.15）28