因子选股系列之一〇五：非线性市值风控全攻略

非线性市值风控全攻略 ——因子选股系列之一〇五 研究结论 非线性市值风控的必要性 金融工程|专题报告 报告发布日期2024年05月27日 杨怡玲yangyiling@orientsec.com.cn 执业证书编号：S0860523040002 2024年1月底到2月初期间，整个市场经历了一系列的极端事件，这些事件对选股因子乃至指数增强产品的收益形成了较大的负向冲击，基于深度学习因子构建的指数增强组合今年以来的相对回撤也非常大。中证500增强组合今年以来的相对最大回撤达-8.64%，年化跟踪误差也达到10.79%，中证1000增强组合今年以来相对最 大回撤达-11.21%，年化跟踪误差也达到13.56%。深度学习因子构建的指增组合通 过做多微盘并做多部分大盘股配平约束来获取超额收益。因此，当市值因子超额反 向时，增强组合大幅跑输基准。 由于中证500、中证1000等宽基指数以过去一年的日均总市值排名后筛选，所以在构建指数增强组合时，成分股左右侧这种“非线性市值”对增强组合的收益波动影响非常大，需要对非线性市值进行风控。 非线性市值风控方法 我们从提高成分股内权重占比、约束NLSize的角度检验传统风控手段的效果，可以发现针对中证1000指数，传统风控手段并不能较好控制组合今年以来的回撤，因此我们提出了基准相对NLSize、基准左右侧相对NLSize以及分组Size的非线性市值风控手段，通过添加这3种非线性市值约束，中证500和中证1000增强组合今年以 来的超额回撤和跟踪误差大部分情况下都能得到非常显著的控制。非线性市值综合风控效果 同时添加三种非线性市值约束后，中证500增强组合今年以来的相对最大回撤得到了大幅改善，从-8.64%下降到-2.77%，超额收益从3.45%提升到7.18%，年化跟踪误差从10.79%下降到7.51%，月度超额胜率100%。中证1000增强组合今年以来的相对最大回撤得到了大幅改善，从-11.21%下降到-3.13%，超额收益从1.45%提升到5.43%，年化跟踪误差从13.56%下降到7.93%，月度超额胜率100%，得到显 著改善。并且在上证50和沪深300等指数增强组合上添加该约束同样也能非常显著地控制增强组合今年以来的相对回撤和跟踪误差。 风险提示 1.量化模型失效风险。 2.极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。 DFQ-FactorVAE：融合变分自编码器和概率动态因子模型的alpha预测方案：——因子选股系列之一〇三 基本面因子的重构：——因子选股系列之一〇二 自适应时空图网络周频alpha模型：——因子选股系列之一〇一 DFQ-HIST：添加图信息的选股因子挖掘系统：——因子选股系列之一百 基于异构图神经网络的股票关联因子挖掘：——因子选股系列之九十九 基于抗噪的AI量价模型改进方案：——因子选股系列之九十八 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 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 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 2024-05-14 2024-03-21 2024-02-28 2024-02-07 2024-01-02 2023-12-24 2023-11-14 2023-08-24 2023-08-17 2023-06-06 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、非线性市值风控的必要性5 1.1极端市场环境下的深度学习因子表现5 1.2深度学习因子短期失效的原因7 1.3非线性市值风控的必要性与框架9 二、成分股内权重占比10 三、NLSize11 四、基准相对NLSize13 五、左右侧相对NLSize15 六、分组Size18 七、非线性市值综合风控的效果21 八、总结26 风险提示26 图表目录 图1：公募指数增强产品超额收益直方图（20240129-20240207）5 图2：20231031以来深度学习因子十组超额净值6 图3：20231031以来深度学习因子日度IC及累计IC6 图4：深度学习因子中证500指增组合净值6 图5：深度学习因子中证1000指增组合净值6 图6：20231031以来宽基指数走势（20240126基日）7 图7：20231031以来市值因子十组超额净值走势7 图8：20240202中证500指增组合的个股权重超低配情况8 图9：20240202中证500指增组合的个股累计权重偏离8 图10：20240202中证1000指增组合的个股权重超低配情况8 图11：20240202中证1000指增组合的个股累计权重偏离8 图12：宽基指数的构建标准9 图13：非线性市值风控框架9 图14：成分股占比约束下中证500指增组合净值10 图15：成分股占比约束下中证1000指增组合净值10 图16：成分股占比约束下20240202中证500指增个股累计权重偏离11 图17：成分股占比约束下20240202中证1000指增个股累计权重偏离11 图18：NLSize约束下中证500指增组合净值12 图19：NLSize约束下中证1000指增组合净值12 图20：NLSize约束下20240202中证500指增个股累计权重偏离13 图21：NLSize约束下20240202中证1000指增个股累计权重偏离13 图22：20240202NLSize取值及宽基的暴露13 图23：20240202中证500和中证1000基准相对NLSize取值13 图24：相对NLSize约束下中证500指增组合净值14 图25：相对NLSize约束下中证1000指增组合净值14 图26：相对NLSize约束下20240202中证500指增个股累计权重偏离15 图27：相对NLSize约束下20240202中证1000指增个股累计权重偏离15 图28：基准相对NLSize暴露相等的三种情况16 图29：20240202中证500和中证1000左右侧相对NLSize16 图30：左右侧相对NLSize约束下中证500指增组合净值16 图31：左右侧相对NLSize约束下中证1000指增组合净值16 图32：左右侧相对NLSize约束下20240202中证500指增个股累计权重偏离17 图33：左右侧相对NLSize约束下20240202中证1000指增个股累计权重偏离17 图34：20240202市值十分组指示因子示例19 图35：分组Size约束下中证500指增组合净值19 图36：分组Size约束下中证1000指增组合净值19 图37：分组Size约束下20240202中证500指增个股累计权重偏离20 图38：分组Size约束下20240202中证1000指增个股累计权重偏离20 图39：非线性市值暴露约束敞口0.05下中证500增强组合净值23 图40：非线性市值敞口0.05下20240202中证500指增组合个股累计权重偏离23 图41：非线性市值暴露约束敞口0.05下中证1000增强组合净值23 图42：非线性市值敞口0.05下20240202中证1000指增组合个股累计权重偏离23 图43：非线性市值暴露约束敞口0.05下上证50增强组合净值24 图44：非线性市值暴露约束敞口0.05下沪深300增强组合净值24 表1：深度学习因子中证500指增组合收益表现7 表2：深度学习因子中证1000指增组合收益表现7 表3：成分股占比约束下中证500指增组合收益表现10 表4：成分股占比约束下中证1000指增组合收益表现11 表5：NLSize约束下中证500指增组合收益表现12 表6：NLSize约束下中证1000指增组合收益表现12 表7：相对NLSize约束下中证500指增组合收益表现14 表8：相对NLSize约束下中证1000指增组合收益表现15 表9：左右侧相对NLSize约束下中证500指增组合收益表现17 表10：左右侧相对NLSize约束下中证1000指增组合收益表现17 表11：不同左右侧相对NLSize敞口下中证500增强组合表现18 表12：不同左右侧相对NLSize敞口下中证1000增强组合表现18 表13：分组Size约束下中证500指增组合收益表现19 表14：分组Size约束下中证1000指增组合收益表现20 表15：不同分组Size敞口下中证500增强组合表现21 表16：不同分组Size敞口下中证1000增强组合表现21 表17：不同非线性市值约束下中证500增强组合表现21 表18：不同非线性市值约束下中证1000增强组合表现22 表19：不同非线性市值暴露约束敞口下中证500增强组合表现22 表20：不同非线性市值暴露约束敞口下中证1000增强组合表现22 表21：非线性市值暴露约束敞口0.05下中证500增强组合表现23 表22：非线性市值暴露约束敞口0.05下中证1000增强组合表现24 表23：非线性市值暴露约束敞口0.05下上证50增强组合表现25 表24：非线性市值暴露约束敞口0.05下沪深300增强组合表现25 一、非线性市值风控的必要性 1.1极端市场环境下的深度学习因子表现 2024年1月底到2月初期间，整个市场经历了一系列的极端事件，包括雪球大幅敲入、DMA产品清仓及微盘股的闪崩，这些事件不仅对股票市场形成了冲击，也对选股因子乃至指数增强产品的收益形成了较大的负向冲击。下图我们统计了20240129-20240207期间公募基金的沪深300、中证500、中证1000指数增强基金的超额收益的直方图。可以看到，大部分沪深300、中证500 和中证1000指数增强基金在这期间的超额都为负。 图1：公募指数增强产品超额收益直方图（20240129-20240207） 数据来源：Wind，东方证券研究所 在我们前期的报告《基于残差网络的端到端因子挖掘模型》(20230824)中我们构建了基于day、week、minute和level2四个数据集上的深度学习因子，因子选股效果非常显著，但是在这段极端市场环境的时间内，同样也遭受了大幅的因子失效。如下图所示，可以看到在这期间，深度学习因子十分组超额完全反向，多头（第10组）在这期间大幅跑输市场，因子的日度IC也是显著负向，虽然过了这段时间后因子的选股能力又恢复了，但是这期间的失效幅度非常大。 图2：20231031以来深度学习因子十组超额净值图3：20231031以来深度学习因子日度IC及累计IC 数据来源：Wind，东方证券研究所数据来源：Wind，东方证券研究所 我们以深度学习因子作为收益预测模型构建中证500、中证1000指数增强组合，组合约束如下： 个股权重偏离最大1%； 行业权重最大暴露2%； Barra风格暴露最大0.5倍标准差； 成分股内权重占比80%； 周单边换手最大20%。 我们以第二天VWAP换仓并扣除双边0.3%费用来回测组合收益。下图分别展示了中证500和中证1000指数增强组合的净值走势。 图4：深度学习因子中证500指增组合净值图5：深度学习因子中证1000指增组合净值 数据来源：Wind，东方证券研究所数据来源：Wind，东方证券研究所 可以看到，该因子构建的增强组合相对于中证500和中证1000指数历史的超额收益非常稳健， 但是今年以来的相对回撤非常大。下表展示了中证500增强组合各年的绩效情况，组合年化超额收益22.46%，虽然今年以来的超额为3.45%，但是今年以来的相对最大回撤达-8.64%，年化跟踪误差也达到10.79%，今年以来的超额收益波动非常剧烈。 表1：深度学习因子中证500指增组合收益表现 YEAR 绝对收益 基准收益 超额收益 相对最大回撤 信息比 跟踪误差 收益回撤