DFQ-TRA，多交易模式学习因子挖掘系统分析报告.pdfVIP

金融工程 | 专题报告 报告发布日期 2023 年11 月14 日 DFQ-TRA ：多交易模式学习因子挖掘系统 ——因子选股系列之九十七 研究结论 ⚫ 针对股票收益率预测任务，采用 TRA 模型，用以识别不同的交易模式，直面“市场 规律具有时变特性”这一核心问题。期望为每只股票，在每个时刻，都能找到与之 相适应的股票收益率预测器或预测器组合，从而达到更优的预测效果。为了防止输 出结果集中在个别预测器，借鉴了最优传输问题（OT ）来指导路由器的学习。 ◼ 多股票交易模式：现有的股票收益率预测方法通常假设 独立同分布， 采用单一模型对 建模。但实际上：（1 ） 通常会包含多种不 同的分布。（2 ）市场存在不止一种交易模式。（3 ）交易模式存在时变特性。 基于残差网络的端到端因子挖掘模型：— 2023-08-24 ◼ TRA ：由股票收益率预测器和路由器组成。预测器用于建模不同的股票交易模 —因子选股系列之九十六 式，路由器用于预测样本属于哪种交易模式。TRA 可以作为一个扩展模块来增 DFQ 强化学习因子组合挖掘系统：——因 2023-08-17 强现有的股票预测模型，使其具有学习多种交易模式的能力。 子选股系列之九十五 ◼ OT ：为了防止输出结果集中在个别预测器，将样本到预测器的分配问题表述为 UMR2.0——风险溢价视角下的动量反转 2023-07-13 一个最优传输问题，并通过一个正则化损失项来指导路由器的学习。 统一框架再升级：——因子选股系列之九 十四 ◼ 多输入：使用 alpha 因子和风险因子两类输入数据。不同输入得到的因子低相 集成模型在量价特征中的应用：——因子 2023-07-01 关，多输入模型进行等权合成，可以进一步提升模型效果。 选股系列之九十三 ◼ 特征提取：引入注意力机制，transformer 模型为更优选择。 基于时点动量的因子轮动：——因子选股 2023-06-28 系列之九十二 ◼ 路由器输入：利用两种类型的信息作为路由器的输入，用于预测样本的交易模 基于循环神经网络的多频率因子挖掘：— 2023-06-06 式。特征的潜在表示和预测器的预测误差对路由器都有价值。 —因子选股系列之九十一 ◼ 多预测器：多个预测器比 1 个预测器好；预测器不应高度相关，应有差异；预 DFQ 遗传规划价量因子挖掘系统：——因 2023-05-28 子选股系列之九十 测器应分散配置，不应一直只选择某一个预测器；预测器数量不需要太多。 ◼ 端对端：TRA 是一个端对端模型，直接给出多因子的加权方案，并且对于每个 时刻每个股票，加权方式都可以不一样，完全灵活。 ⚫ 合成因子绩效：在中证全指股票池中，TRA 模型合成因子得分在测试集 （