深度学习赋能交易行为因子挖掘
- LSTM深度学习因子挖掘框架和绩效回顾：LSTM模型在因子挖掘中的应用，月度RankIC均值为9.37%，10分组多空对冲年化收益率为32.74%，月度最大回撤为4.26%，月度胜率82.86%。
- Transformer深度学习因子挖掘对比：Transformer模型在因子挖掘中的应用，月度RankIC均值为10.27%，10分组多空对冲年化收益率为38.77%，月度最大回撤为4.46%，月度胜率为81.43%，相较于LSTM模型，Transformer模型在风格变化较快的市场中有着更强的信息提取能力。
- Transformer因子多头优选：Transformer因子多头优选100只股票，绝对收益年化为23.37%，收益波动比为0.94。
深度学习维度下的风格选择
- 风格界定：市值、价值、质量、成长、红利五大风格，通过全市场股票高低二分组，构建40个股票等权组合，形成40种风格指数。
- 风格优选：指数Transformer因子：指数Transformer因子的RankIC为6.13%，具备一定的风格轮动效果，但在优选多头层面效果一般，在尾部剔除层面效果较好。
- 风格优选：股票Transformer因子：股票Transformer因子转化为横截面分位点，计算每个风格指数成分股分位点的平均作为绝对比例，计算当前绝对比例与过去6个月绝对比例差值作为比例相对变化，绝对比例分组较为单调，且多头效果优于空头。
- 风格优选：深度学习综合方案：首先使用指数Transformer因子剔除排名后1/4的风格，再在剩下的风格指数池中利用股票Transformer因子聚合至指数的绝对比例优选2种风格，相较风格等权而言，超额收益波动比为0.97。
强化学习维度下的风格选择
- PPO和SAC优选对比：日度调仓下SAC算法的效果明显优于PPO算法，但SAC方法在月频的训练结果一般，样本量较少导致收敛较难以及稳定性较差。
- 基于SAC的月度风格选择：将每日风格持仓的变动滚动20日取平均，每月底取较高的10种风格，相较风格等权而言，超额收益波动比为1.70。
基于风格优选的多策略融合实践
- 多策略融合实践：采取强化学习为主、深度学习为辅的方式，在强化学习优选的10种风格中，每种风格选取股票Transformer因子值较大的100只个股，若股票位于深度学习优选的2种风格中，则在原始计数上加上A_count中位数的1/3倍，选取A_count_adjust序列靠前的100只个股，相较于Transformer100而言，收益波动比从0.94提升至1.47。
风险提示
本报告模型基于历史数据测算，市场未来可能发生重大改变。
