开源量化评论（103）：深度学习赋能风格轮动与多策略融合

2024年12月12日 金融工程研究团队 ——开源量化评论（103） 魏建榕（首席分析师）证书编号：S0790519120001 魏建榕（分析师）weijianrong@kysec.cn证书编号：S0790519120001 盛少成（分析师）shengshaocheng@kysec.cn证书编号：S0790523060003 张翔（分析师）证书编号：S0790520110001 深度学习赋能交易行为因子挖掘 在《深度学习赋能交易行为因子》中，我们从最基本的行情和财务数据出发，讨论了LSTM模型在因子挖掘中的应用，从2019年至今月度RankIC均值为9.37%。在《深度学习赋能分析师行为：更稳的盈利预期调整组合》中，我们利用了Transformer模型进行了研报情感的判断，其也可用在因子挖掘中，相较于LSTM模型，该模型能够更好的把握时序数据的隐含关系，月度RankIC提升至10.27%。 傅开波（分析师）证书编号：S0790520090003 高鹏（分析师）证书编号：S0790520090002 深度学习维度下的风格选择 苏俊豪（分析师）证书编号：S0790522020001 对于风格的界定，本文以多策略基本面选股公式“股票收益=估值提升+盈利+分红”为基础，同时考虑了对市场影响较大的其他风格，最终确定为：市值、价值、质量、成长、红利。我们采取全市场股票高低二分组，并将不同的风格进行两两组合，构建40个股票等权组合，月度更新，形成40种风格指数。 胡亮勇（分析师）证书编号：S0790522030001 若直接从指数层面出发，指数Transformer因子的月度RankIC为6.13%，具备一定风格轮动效果，但该因子在优选多头层面效果一般，在尾部剔除层面效果较好。若从Transformer股票因子维度出发，其截面分位点聚合至指数的绝对比例有一定区分度，且多头效果优于空头。 王志豪（分析师）证书编号：S0790522070003 盛少成（分析师）证书编号：S0790523060003 深度学习风格综合优选方案：首先使用指数Tramsformer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Tramsformer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。 苏良（分析师）证书编号：S0790523060004 强化学习维度下的风格选择 何申昊（分析师）证书编号：S0790524070009 对于强化学习输入端，我们使用Transformer模型进行风格指数短周期(1日)和长周期(5日)的滚动预测，并将短、长周期的隐藏层合并后输入强化学习模型。对于PPO和SAC算法而言，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。因此综合考虑后的月频调仓方式为：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。 陈威（研究员）证书编号：S0790123070027 蒋韬（研究员）证书编号：S0790123070037 多策略融合实践 综合考虑深度学习和强化学习的优劣，采取强化学习为主、深度学习为辅的方式：1、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，取并集，得到股票池A，并统计每只个股出现的次数，得到A_count序列； 相关研究报告 《遗传算法赋能交易行为因子—市场微观结构（20）》-2023.8.6《深度学习赋能交易行为因子—市场微观结构（24）》-2024.5.24《深度学习赋能分析师行为：更稳的盈利预期 调整组合—开源量化评论（99）》-2024.8.8 2、若股票池A中有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，得到A_count_adjust序列； 3、选取A_count_adjust序列靠前的100只个股，若出现两只股票排序相同的情况，优先选择股票Transformer因子值较大那只。相较于Transformer100而言，考虑风格后的Transformer优选100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。 目录 1、深度学习赋能交易行为因子挖掘............................................................................................................................................41.1、LSTM深度学习因子挖掘框架和绩效回顾..................................................................................................................41.2、Transformer深度学习因子挖掘对比.............................................................................................................................51.3、Transformer因子多头优选.............................................................................................................................................62、深度学习维度下的风格选择....................................................................................................................................................72.1、风格优选：指数Transformer因子................................................................................................................................72.2、风格优选：股票Transformer因子................................................................................................................................82.3、风格优选：深度学习综合方案.....................................................................................................................................93、强化学习维度下的风格选择..................................................................................................................................................103.1、PPO和SAC优选对比.................................................................................................................................................103.2、基于SAC的月度风格选择..........................................................................................................................................114、基于风格优选的多策略融合实践..........................................................................................................................................125、风险提示..................................................................................................................................................................................14 图表目录 图1：围绕收益拆解公式衍生出的基本面选股框架....................................................................................................................4图2：开源金工特色LSTM因子挖掘整体流程...........................................................................................................................5图3：LSTM因子10分组多空对冲的年化收益率为32.74%.....................................................................................................5图4：Transformer因子10分组多空对冲的年化收益率为38.77%............................................................................................6图5：Transformer和LSTM因子累计RankIC.............................................................................................................................6图6：Transformer和LSTM因子10分组多空对冲....................................................................................................................6图7：Transformer100净值较为优异.............................................................................................................................................6图8：指数Transformer因子4分组绩效..................................................................