因子选股系列之一一〇：ABCM，基于神经网络的alpha因子和beta因子协同挖掘模型-241203-东方证券-26页.pdfVIP

金金融融工工程程||专专题题报报告告

ABCM：基于神经网络的alpha因子和报告发布日期2024年12月03日

beta因子协同挖掘模型

——因子选股系列之一一〇

杨怡玲yangyiling@

执业证书编号：S0860523040002

研究结论陶文启taowenqi@

⚫基于基本面的Barra模型中的风险因子往往考虑的是超长周期的风险，且模型中基本执业证书编号：S0860524080003

面信息占比相对量价信息更高，因此这种风险模型对于中高频策略可能力不从心。

为了克服这些问题，我们提出了一套基于神经网络和量价数据驱动的风险因子生成

模型，我们称之为ABCM（Alpha-BetaCo-mining）模型。

样本外各风险因子的表现：

⚫RankIC基本上都在3%以内、ICIR基本上都在0.2以内而RankIC胜率基本上都在相对定价类基本面因子挖掘：——因子选2024-10-11

股系列之一〇九

60%以内，意味着各个风险因子均不具有显著的选股能力；

KD-Ensemble：基于知识蒸馏的alpha因2024-08-19

⚫Abs(RankIC)均较高，说明各因子对未来收益率的解释能力较强；子挖掘模型：——因子选股系列之一〇八

⚫自相关系数均在70%以上，说明短期来看各个风险因子衰减速度较弱；而各风险因融合基本面信息的ASTGNN因子挖掘模2024-05-27

型：——因子选股系列之一〇四

子两两之间相关性基本上都在20%以内，信息独立性较强；

⚫各个股票池上ABCM12风险因子滚动Rsquare曲线均稳定位于Barra风险因子上

方，且相对于Barra风险因子，ABCM2风险模型Rsquare显著提升，在沪深300、

中证500和中证全指上分别提升至47.02%、34.28%和20.53%。因此基于神经网络

生成的风险模型对未来收益率的解释能力整体强于Barra风险模型。

样本外“伴生”的alpha因子的表现：

⚫有着较强的获取超额收益的能力，2017年至今年化超额达36.55%。且该因子往年

超额收益回撤仅有5.86%，且今年该因子最大回撤相对不大，这说明该因子能稳定

的获取较高的超额。

⚫今年三季度该alpha因子的多头表现较为稳定未出现大幅回撤，另外一方面该因子与

各个Barra风险因子相关性较低，这说明通过ABCM模型生成alpha因子获取alpha

信息的来源与常规机器学习生成的alpha因子差异性较大，与常规机器学习因子有着

较强互补性。

⚫ABCM2模型生成的alpha因子对我们已有的AI量价模型生成alpha因子能够起到较

大增量作用，通过把前者纳入到我们已有的AI量价模型中进行合成，新