神经网络日频alpha模型初步实践.docxVIP

目 录 TOC \o 1-2 \h \z \u 一、传统的 Alpha 模型 3 多因子选股体系 3 传统 Alpha 模型的困境 4 二、基于神经网络的 Alpha 模型框架 5 兼容传统 Alpha 模型的框架设计 5 因子单元——Alpha 因子的生成模块 6 因子加权方法——正交与弱因子加权 7 三、策略实践与组合分析 9 数据和训练说明 9 相互正交的弱因子 10 不同换手约束下的 500 增强表现 12 成交价格对 500 增强业绩的影响 13 策略在 300 和 1000 增强中的绩效 15 四、总结 17 风险提示 17 一、传统的 Alpha 模型 多因子选股体系 多因子选股体系可以简单的用图 1 概况，主要包括 alpha 模型、风险模型、交易成本模型和组合优化四个模块。Alpha 模型负责预测股票的收益率或者 alpha，风险模型（结构化风险模型或者统计风险模型）负责估计股票的协方差矩阵，交易成本模型对个股的交易成本进行建模，组合优化器在满足投资者不能做空、反向交易等投资者实际面临的客观约束下权衡组合的预期收益率和风险、交易成本，最终得出目标组合，量化基金经理根据目标组合执行交易，最后一般都会对组合的实际执行效果做绩效分析，找出体系的短板，不断的完善体系。 多因子体系的各个组成部分都不可获缺，alpha 模型负责对股票收益或 alpha 的预测，对组合收益的影响相对更大，也是量化机构研究的重中之重。狭义上讲，多因子体系中的 alpha 模型仅指由因子库生成预测收益的过程，即因子加权，广义上，我们认为产生预测收益率或者 alpha 的整个过程都属于 Alpha 模型的范畴。 图 1：传统的多因子选股体系 数据来源： 传统 Alpha 模型的困境 传统的因子生成过程更多依赖人工，量化研究员根据自己对市场行为的理解，构建能够捕捉市场错误定价或者风险溢价的指标，反复测试修正后加入因子库。一个逻辑明确、实证有效、且和现有因子库低相关的 alpha 因子凝结的是从业人员长期的知识积累，过去十余年由于“后发优势”的存在，国内因子研究快速发展，然而和国内其他行业类似，这种后发优势已经越来越不明显，后发优势的丧失导致因子挖掘的周期越来越长。 近年来因子层面出现的另外两个问题是估值因子的风险化和量价因子的拥挤。美股价值因子 （BP）从 2007 年高点持续回撤至今，A 股从 2018 年底开始低 PB 的股票持续跑输高 PB 的股票，关于“价值因子是否已死“的讨论学术界和业界都有很多、目前尚无定论，我们也无意讨论这个话题，但是毫无疑问作为多因子中一类重要 alpha 的价值因子在国内外的普遍回撤给多因子尤其是低频选股领域的多因子带来很大的挑战。 由于最近几年做高频量价策略的私募规模快速扩张，以反转、特异度为代表的量价指标交易逐渐拥挤，因子拥挤有别于市场结构变化等因子底层逻辑变化导致的失效，由于市场交易限制，因子的收益仅部分能够通过交易获取，当然也只有这部分才会拥挤，具体体现在因子在多头无效、空头有效，因子在成分股内无效、成分股外有效。因子拥挤不仅仅是某个因子失效的问题，还会给因子评价和因子加权带来很大的障碍，比如行业市值中性的特异度因子 2019 年以来全市场月度 RankIC 均值依然高达 7.19%，中证 800 中也还有 2.82%，但是因子在中证 800 成分股内的多头对冲组合持续回撤。 传统的因子加权方法多以 IC 或者回归为基础，而各种回归背后大都是最小化均方误差，我们在前期报告《因子加权过程中的大类权重控制》中讲过，在一定条件下最小化均方误差等价于最大化 IC，因此 IC 和实际组合业绩的一致性假设在传统的因子加权中尤其重要，自然状态下我们可以近似接受这一假设，但是在量价因子大批量拥挤的情况下，越来越多的因子 IC 看上去可以，但组合多头收益变差，因此给因子的动态加权带来了很大障碍。为了应对 IC 和组合多头收益的不一致，业界常见的做法是在估计因子加权模型前就剔除部分多头收益差的因子，或者根据各种经验性方法调整因子权重，总体来说当前并没有业界公认的比较好的解决方案。 无论是后发优势的丧失导致新 alpha 因子的挖掘周期变长，还是估值因子的回撤、量价拥挤导致的多头收益回落，都指向了一个问题，就是传统 alpha 因子构建方式原来越难以满足当前市场的需求，另外就是如何在因子加权时考虑因子 IC 和组合实际收益的不一致性，在量价指标较多的情形下尤其重要。 二、基于神经网络的 Alpha 模型框架 兼容传统 Alpha 模型的框架设计 如第一章所述，传统人工构建 Alpha 因子的方法已经遇到瓶颈，为了对人工因子库做