量化专题报告：基于深度学习的短周期量价风控体系

指数增强的超额回撤

2024年以来，指数增强基金面临市场波动放大、风格切换速度加快等挑战，出现多次大幅跑输业绩基准的超额回撤。组合业绩归因显示，风格因子（如SIZE、BETA）贡献了显著的负超额收益。然而，约束传统风格因子暴露难以有效改善组合风险表现。

基于深度学习的量价风险因子

为应对快速变化的市场风险，报告提出基于深度学习提取短周期量价风险特征。使用LSTM结合自注意力机制和图注意力网络（GAT）构建复合模型，从6类量价数据特征集合中提取8个维度的风险因子。通过剥离alpha信息，得到因子IC序列围绕零均值波动的纯粹风险刻画。

风险因子有效性

对比传统风格因子，新构建的量价风险因子对股票周度截面收益具有更强的解释能力，尤其在2024年市场风险放大的情况下表现更佳。剥离alpha信息后，风险因子表现为更纯粹的风险属性。

指数增强组合的量价风控

构建沪深300、中证500和中证1000指增组合进行回测，结果显示：

• 中证500和中证1000：约束短周期量价风险能在不损失收益的前提下有效降低组合波动和回撤。例如，中证500组合跟踪误差从5.5%下降到5.1%，2024年超额收益最大回撤从7.3%下降到5.7%。
• 沪深300：约束短周期量价风险对组合风险表现改善有限，且收益有所降低。可能原因包括大市值蓝筹股受量价风险影响较小，以及风险特征更适配中小市值市场。

结论

基于深度学习的短周期量价风险约束能有效改善指数增强组合的风险表现，尤其在2024年市场波动加剧的情况下，显著降低超额收益回撤幅度。该风控方法对中小市值宽基指数增强组合效果显著，但对沪深300等大市值指数增强组合效果有限。