“逐鹿”Alpha专题报告（九）：基于QLIB ALPHA360的Temporal Fusion Transformer选股模型.docxVIP

股票报告网 股票报告网 金融工程研究 金融工程研究 丁鲁明 dingluming@ 021执业证书编号：S1440515020001 王 超 研究助理 wangchaodcq@发布日期： 2022 年 05 月 24 日 证券研究报告·金融工程深度“逐鹿”Alpha 专题报告（九） 证券研究报告·金融工程深度 “逐鹿”Alpha 专题报告（九） ——基于 QLIB ALPHA360 的 Temporal Fusion Transformer 选股模型 主要内容 简介 本文主要是利用 QLIB 的 ALPHA 360 因子，结合 Temporal Fusion Transformer 对中证 500 成份股的未来一日收益率进行预测，将预测结果作为因子，利用 TopKdropN 的方式进行回测，结果表明，与传统的 ICIR 加权的方式对比，TFT 模型能够取得更加优异的结果。并且通过参数的调整，TFT 模型能够在与中长期策略换手率接近的情况下，取得更加优异的表现。 数据介绍 QLIB 是微软亚洲研究院开发的开源量化 AI 平台，提供了完整的数据，模型，回测和分析的功能。在数据模块中，除了提供基础的价格和成交量信息外，QLIB 还提供了两套完整的因子系统ALPHA 158 和 ALPHA 360，两者均为量价指标，但是在生成方式上有所区别。 本文对 ALPHA158 和 ALPHA360 的表现进行分析，最终选取表现更好的 ALPHA360 中的 20 个因子作为模型输入。 模型介绍 Temporal Fusion Transformer（TFT）是 2021 年由 GOOGLE CLOUD AI 的 Bryan Lim 等人提出的，旨在解决 Transformer 用于时间序列预测的问题。TFT 是一个泛化性能较好的深度学习模型，能够处理静态变量（例如行业分类，商店位置等），观测输入变量 （各类自变量输入）以及已知的变量（例如节假日信息等），能够通过共享权重向量输出特征重要性，并且能够做多步预测且 输出分位数预测值。 模型结果 与传统的 ICIR 加权对比，TFT 模型能够取得更加优异的表现。通过约束不同的换手率，TFT 策略能够取得与中长期策略近似的换手率，并且收益以及稳定性也非常优异， TFT(50,1)能够取得年化 19.57%，超额 15.57%，信息比率 1.74，换手率 4.6 的优异表现。 风险提示：本文所有模型结果均来自历史数据，不保证模型未 来的有效性 市场表现 19% 14% 9% 4% 2016/6/202016/7/202016/8/202016/9/202016/10/202016/11/202016/12/202017/1/202017/2/202017/3/202017/4/20 2016/6/20 2016/7/20 2016/8/20 2016/9/20 2016/10/20 2016/11/20 2016/12/20 2017/1/20 2017/2/20 2017/3/20 2017/4/20 2017/5/20 上证指数 国债指数 相关研究报告 本报告由中信建投证券股份有限公司在中华人民共和国（仅为本报告目的，不包括香港、澳门、台湾）提供，由中信建投（国际）证券有限公司在香港提供。同时请参阅最后一页的重要声明。 股票报告网 金融工程研究金融工程专题报告 股票报告网 金融工程研究 金融工程专题报告 请参阅最后一页的重要声明 请参阅最后一页的重要声明 目录 一、简介 1 二、数据介绍 1 QLIB 简介 1 数据简介 2 数据存储 2 表达式与 ALPHA 因子 3 三、因子筛选 5 四、模型介绍 6 Transformer 简介 6 TFT 模型简介 8 TFT 模型结构 9 模型训练 11 五、模型结果 16 ICIR 加权 16 TFT 策略 18 策略优化 19 六、结果及讨论 21 图表目录 图表 1： QLIB 框架 2 图表 2： 数据存储 3 图表 3： 部分算子列表 4 图表 4： ALPHA158 与ALPHA360 4 图表 5： IC 绝对值分布 5 图表 6： IR 分布 5 图表 7： ALPHA360 因子前 20 5 图表 8： Transformer 模型结构 6 图表 9： Transformer 对比 CNN 7 图表 10： 时间序列Transformer 分类 8 图表 11： 输入类型 9 图表 12： TFT 模型结构 9 图表 13： Model Zoo 12 图表 14： 模型在ALPHA158 表现 13 图表 15： 模型在ALPHA360 表现 14 图表 16： TFT 模型参