东吴金工 量化选股从因子到模型

核心观点： 本报告主要探讨了如何利用AI技术提升量化选股模型的性能，并介绍了两种方法：利用AI优化和生成因子，以及利用择时模型强化截面选股。

利用AI优化和生成因子：

• 因子优化： 通过设计提示词，利用AI模型对现有因子进行优化，提升其IC值。研究发现，约三分之一的因子IC值提升了1.5倍。
• 因子生成： 通过提供经验样例，引导AI模型生成新的因子。生成的5个新因子ICIR均大于0.8，且与参考样例的相关性不高，表明AI能够发现新的因子组合。
• 基本面因子生成： AI模型能够理解财务指标的含义，并生成具有逻辑性的基本面因子，例如现金毛利。
• 高频因子生成： AI模型能够生成具有可解释性的高频因子，例如投机狂热率。

利用择时模型强化截面选股：

• 择时模型： 基于深度学习模型，预测未来市场走势，并提供看多、看空或中性的观点。
• 模型增强： 将择时模型的观点融入截面选股模型，通过调整阿尔法因子的权重，实现因子轮动。
• 模型结构： 介绍了三种模型结构：拼接特征、特征线性调制和输出层调整，均能有效提升模型性能。
• MoE模型： 采用多个专家网络，根据市场环境选择不同的专家进行选股，进一步提升模型适应性。
• 指增策略： 将增强后的阿尔法模型应用于指增策略，并通过动态换手约束，提升策略收益。

研究结论：

• 利用AI技术可以有效提升量化选股模型的性能。
• 择时模型能够有效强化截面选股，提升策略收益。
• MoE模型能够适应不同的市场环境，进一步提升模型适应性。
• 量化选股研究的未来方向可能转向寻找具有市场状态预测能力的因子。