量化专题分析报告：深度学习模型控制策略风险.pdf

量化专题报告

深度学习模型如何控制策略风险？2024年04月25日

[Table_Author]

➢深度学习模型2024年年初波动较大，本报告提出三类解决方案提升风险

控制能力。因为资金面震荡，微盘股表现不佳等原因，传统深度学习因子二月

初多空回撤超过20%，波动明显。本报告尝试了三个试图提高深度学习稳定性

的方法以增强其应对风险的能力：

1.通过对高频数据的引入，提高模型颗粒度以更快应对市场异常；

2.在模型中加入风格控制，减少对风格轮动的学习，约束风格暴露；

3.使用元增量学习方法，提高模型敏感度。

➢方案1：高频行情输入优化交易提升了收益但对回撤控制作用有限。我们

采用过去五个交易日的五分钟高频量价数据，预测未来2个交易日的股票收益

排序。高频输入的深度学习因子日度RankIC均值0.087，在宽基指数内IC衰

减降低。用高频信号对日频信号策略进行调仓优化，优化后混频策略在中证相关研究

500，中证1000内年化超额收益分别提升4.6%，4.9%，但跟踪误差均无明显1.基金分析报告：基金季报2024Q1：有色

变化，且今年回撤仍然较大。故由于高频输入对3σ外的风险限制能力有限，且仓位高点，金铝为主-2024/04/23

单日的交易优化无法避免组合持续回撤的趋势，无法显著控制组合回撤。2.量化周报：流动性与分歧度边际回升-202

4/04/21

➢方案2：在模型中加入风格惩罚，控制模型风格暴露，降低风险。深度学

3.量化分析报告：黄金：1978-2024/04/17

习因子在2023年下半年通过在价值，盈利，波动率，流动性等因子上的暴露获

4.量化周报：预期不定环境选择高置信度区

得了一定收益，2024年初，因子风格发生剧烈波动，在2月份突然偏向小微间-2024/04/14

盘，并且在贝塔，市值等因子上与市场走势完全相反。模型在此期间进行了错5.量化周报：继续保持一致上涨状态-2024/

误的风格择时，很大程度上导致了因子表现的回撤。故我们可以通过在模型中04/07

加入风格因子及风格动量的嵌入，以及在损失函数端加入关于风格偏离的惩罚

来进行风险控制。改进后因子RankIC有一定降低，但中性化因子的IC衰减显

著优于改进前模型，多头组合年化收益有所降低，但信息比率显著提升。

➢方案3：沿用元增量学习框架可进一步控制模型回撤。鉴于元增量学习具

有对于市场变化快速适应的能力，我们可以将这一框架与模型进行结合。将底

层模型改为加入风格输入后的ALSTM模型，并在损失函数中加入风格偏离的控

制，在外层沿用上一篇研究中提出的元增量学习框架。最终策略在中证500上

信息比率提升0.5，在中证1000上信息比率提升0.4，并且2024年均已取得正

向超额收益。重新对模型多头端进行风格分析，发现模型的风格偏离降低，且

风格波动减小，帮助模型控制了风险。

➢综合来说，应用加入风格惩罚的元增量学习模型可以较好地控制模型回

撤。在本篇研究中，针对深度学习模型在今年年初波动过大的问题，我们尝试

了3种控制模型风险的方法，对基模型进行改进。分别为加入高频数据输入，

在模型中添加风格因子，风格动量嵌入与风格惩罚，以及应用元学习框架进行

增强。最终通过对前三篇研究成果的同时应用控制了模型风险，构建了兼顾收

益与风险的深度学习策略。

➢风险提示：量化模型基于历史数据，市场未来可能发生变化，策略模型有

失效可能。