因子选股系列分析报告：KD-Ensemble，基于知识蒸馏的alpha因子挖掘模型.pdfVIP

金融工程|专题报告

KD-Ensemble：基于知识蒸馏的alpha因报告发布日期2024年08月19日

子挖掘模型

——因子选股系列之一〇八

研究结论

模型改进思路

⚫考虑到在基础版本中我们使用的l2数据集中绝大部分人工因子主要是基于大单构建

的，而小单和盘口数据所蕴含的信息量也十分巨大，因此本文将构建一些基于小单

和盘口的因子以对l2数据集进行信息补充，从而使得l2数据集反映的日内信息更加

充分从而给全模型带来增量效果。

非线性市值风控全攻略：——因子选股系2024-05-27

⚫基于知识蒸馏的思想在因子单元加权阶段将树模型和神经网络进行集成，先通过教列之一〇五

师模型对信息进行过滤，之后将过滤得到的有效信息提供给学生模型进行训练，从融合基本面信息的ASTGNN因子挖掘模2024-05-27

而让学生模型能更有效的学习。通过知识蒸馏方法，我们希望集成后的模型既能继型：——因子选股系列之一〇四

基本面因子的重构：——因子选股系列之2024-03-21

承树模型能较好处理分类型数据和泛化能力强的优势，又能继承神经网络能够较好

一〇二

拟合极度非线性函数的优势。自适应时空图网络周频alpha模型：——2024-02-28

⚫今年年初基于量价的机器学习因子出现了较大回撤，原因在于模型预测的市场风格因子选股系列之一〇一

与真实环境出现了较大偏差，因此我们在alpha因子生成阶段加入风险因子生成部周频多因子行业轮动模型：——量化策略2024-01-21

研究之七

分，并二者相互正交从而抑制alpha因子中这种可能带来较大回撤的轮动成分。

基于残差网络的端到端因子挖掘模型：—2023-08-24

小单和盘口因子的实验结论—因子选股系列之九十六

⚫小单早盘占比、小单早盘净流入和小单收益率因子在各个股票池上表现均较好，但基于循环神经网络的多频率因子挖掘：—2023-06-06

—因子选股系列之九十一

按分位数划分的表现整体强于按金额划分。小单早盘占比因子在大盘股上的表现整

体强于小盘股。

⚫按照中位数划分的小单占比因子在中证全指上RankIC均值接近0，但绝对值均值

13.22%，胜率接近50%，对未来收益有着较好的解释能力，但预测方向波动较大，

可认为该因子可视作一个较好的刻画短期风险的风险因子。

合成因子的实验结论

⚫基于知识蒸馏合成打分2018年以来在中证全指上周频RankIC均值和年化ICIR分别

可达16.69%和8.00，top组年化超额可达51.73%；在沪深300、中证500、中证

1000三个指数上RankIC均值分别为12.22%、12.39%、15.35%，分十组多头年化

超额分别为34.16%、31.38%、41.81%，相较于基准模型，各宽基指数股票池新模

型生成因子的选股能力均有明显提升效果。

⚫基于风险中性模型生成打分在中证全指上周频RankI