量化模型与因子总结 量化因子与构建方式 1. 因子名称：DL_EM_Dynamic因子 * 因子构建思路：采用矩阵分解算法从基金选股网络中提取股票的内在属性，并将其与LSTM生成的因子表示结合，构建动态市场状态因子以增强模型表现[19]。 * 因子具体构建过程： 1. 利用基金年报、半年报的持仓数据，采用矩阵分解方法，将基金-股票的投资网络矩阵分解为基金内在属性矩阵和股票内在属性矩阵。 2. 使用LSTM模型处理量价等时序数据，生成股票的动态因子表示。 3. 将矩阵分解得到的静态股票内在属性，通过计算其与当日市场热度风格的相似度，转化为动态市场状态因子。 4. 将LSTM生成的动态因子表示与动态市场状态因子进行拼接。 5. 将拼接后的特征共同输入到多层感知机（MLP）中进行训练，最终输出因子预测值[19]。 2. 因子名称：Meta_RiskControl因子 * 因子构建思路：在深度学习模型中引入风格暴露控制，通过修改损失函数加入风格偏离惩罚，并结合元增量学习框架使模型快速适应市场变化，以控制策略回撤风险[26]。 * 因子具体构建过程： 1. 模型基础架构为加入了风格因子输入的ALSTM（Attention LSTM）模型。 2. 将模型的预测输出乘以对应股票的因子暴露（即风格暴露）。 3. 设计新的损失函数，在RankIC的基础上，添加对于风格偏离与风格动量的惩罚项。具体地，用预测标签的多头部分风格暴露减去空头部分风格暴露，作为惩罚项的一部分。 4. 在外层训练框架上，沿用元增量学习（Meta Incremental Learning）框架，根据近期市场数据分布对模型进行快速调整和更新[26]。 3. 因子名称：Meta_Master因子 * 因子构建思路：改进MASTER模型，通过引入由深度风险模型计算的新市场状态特征，并替换损失函数和采用元增量学习训练框架，以提升模型对市场状态的自适应能力和预测准确性[36]。 * 因子具体构建过程： 1. 市场状态构建：利用深度风险模型（相比Barra风格因子对收益解释度提升5%）计算市场状态；利用近期上涨最好股票的风格来衡量近期市场偏好，共计构建120个新特征来代表市场状态。 2. 模型基础：基于改进的MASTER（Market-Guided Stock Transformer）模型，该模型旨在捕获股票间瞬时和跨时间的相关性，并利用市场信息进行自动特征选择。 3. 损失函数：将损失函数替换为加权均方误差（Weighted MSE），通过放大多头端的预测误差来提高模型在多头端预测的准确率。 4. 训练框架：利用在线的元增量学习（Online Meta Incremental Learning）对模型进行定期更新，使模型能快速适应动态变化的市场[36]。 4. 因子名称：深度学习可转债因子 * 因子构建思路：针对可转债特性，利用GRU神经网络学习其非线性定价逻辑，通过引入可转债特有的时序因子并与截面属性因子结合，以提升传统可转债投资策略的效果[50]。 * 因子具体构建过程： 1. 使用门控循环单元（GRU）神经网络作为基础模型，处理可转债的时序数据。 2. 将可转债特有的时序因子（如溢价率、波动率等）引入到GRU模型中。 3. 将GRU模型的输出与可转债的截面属性因子（如转债规模、评级、行业等）进行拼接。 4. 将拼接后的综合特征输入到预测层，用于预测可转债的未来收益[50]。 因子回测效果 1. DL_EM_Dynamic因子 * 最近一月（4周）表现（中证1000）：RankIC 11.3%, 多空收益 1.4%, 多头超额收益 0.4%[7] * 最近一季（12周）表现（中证1000）：RankIC 9.5%, 多空收益 0.1%, 多头超额收益 -0.9%[7] * 今年表现（中证1000）：RankIC 10.6%, 多空收益 22.3%, 多头超额收益 4.9%[9] * 全历史表现（2019年至今，中证1000）：RankIC 8.3%, 多空收益 65.8%, 多头超额收益 12.2%[9] * 指数增强组合（中证1000，2019年以来）：年化收益 29.7%, 年化超额收益 23.4%, 信息比率(IR) 2.03, 超额收益累计最大回撤 -10.1%[23] 2. Meta_RiskControl因子 * 全A域表现: * 最近一月（4周）：RankIC 15.5%, 多空收益 5.2%, 多头超额收益（vs中证800）2.7%[7] * 最近一季（12周）：RankIC 12.2%, 多空收益 9.1%, 多头超额收益（vs中证800）8.9%[7] * 今年表现：RankIC 12.3%, 多空收益 41.0%, 多头超额收益（vs中证800）29.0%[9] * 全历史表现（2019年至今）：RankIC 10.6%, 多空收益 90.3%, 多头超额收益（vs中证800）25.0%[9] * 沪深300增强组合（2019年以来）：年化收益 20.1%, 年化超额收益 15.0%, 信息比率(IR) 1.58, 超额收益累计最大回撤 -5.8%[31] * 中证500增强组合（2019年以来）：年化收益 26.1%, 年化超额收益 19.2%, 信息比率(IR) 1.97, 超额收益累计最大回撤 -9.3%[33] * 中证1000增强组合（2019年以来）：年化收益 34.1%, 年化超额收益 27.0%, 信息比率(IR) 2.36, 超额收益累计最大回撤 -10.2%[35] 3. Meta_Master因子 * 全A域表现: * 最近一月（4周）：RankIC 18.9%, 多空收益 5.4%, 多头超额收益（vs中证800）5.1%[7] * 最近一季（12周）：RankIC 14.6%, 多空收益 20.3%, 多头超额收益（vs中证800）19.0%[7] * 今年表现：RankIC 13.5%, 多空收益 64.0%, 多头超额收益（vs中证800）36.8%[9] * 全历史表现（2019年至今）：RankIC 11.7%, 多空收益 90.4%, 多头超额收益（vs中证800）35.6%[9] * 沪深300增强组合（2019年以来）：年化收益 22.0%, 年化超额收益 17.5%, 信息比率(IR) 2.09, 超额收益累计最大回撤 -7.2%[39] * 中证500增强组合（2019年以来）：年化收益 23.8%, 年化超额收益 18.2%, 信息比率(IR) 1.9, 超额收益累计最大回撤 -5.8%[45] * 中证1000增强组合（2019年以来）：年化收益 30.7%, 年化超额收益 25.2%, 信息比率(IR) 2.33, 超额收益累计最大回撤 -8.8%[47] 4. 深度学习可转债因子 * 中证转债域: * 最近一月（4周）：RankIC 10.1%, 多头超额收益（vs中证转债）0.9%[7] * 最近一季（12周）：RankIC 7.5%, 多头超额收益（vs中证转债）1.2%[7] * 今年表现：RankIC 7.1%, 多头超额收益（vs中证转债）0.3%[9] * 全历史表现（2021年至今）：RankIC 12.0%, 多头超额收益（vs中证转债）9.9%[9] * 分类型表现（2021年以来Top50组合年化超额收益）: * 偏债型：4.4%[55] * 平衡型：4.0%[55] * 偏股型：5.8%[55] * 偏债+平衡混合策略：10.9%[55]