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.docx

目录

TOC\o1-2\h\z\u一、 引言 4

多因子选股策略 4

传统风险模型 4

机器学习风险模型 5

二、基于AI的风险因子挖掘框架改进方案 7

三、ABCM模型生成因子的表现 8

风险因子表现 9

生成的alpha因子表现 12

生成的因子相关性分析 13

四、ABCM模型对alpha端的增量 14

中证全指上的表现 14

各宽基指数上的表现 16

因子风险暴露分析 18

五、ABCM风险因子在指增上的应用 19

增强组合构建说明 19

沪深300指数增强 19

中证500指数增强 21

5.4中证1000指数增强 22

六、结论 23

风险提示 24

图表目录

图1：多因子选股策略框架 4

图2：DFQ-Risk风险因子 5

图3：风险因子生成模型 6

图4：数据集1生成风险因子绩效表现20240930） 9

图5：数据集2生成风险因子绩效表现20240930） 9

图6：因子id0时序RankIC曲线和多空净值曲线20240930） 10

图7：因子id1时序RankIC曲线和多空净值曲线20240930） 10

图8：全市场风险因子滚动243日Rsquare20240930） 11

图9：沪深300风险因子滚动243日Rsquare20240930） 11

图10：中证500风险因子滚动243日Rsquare20240930） 11

图11：ABCM模型生成alpha因子的绩效表现20240930） 12

图12：ABCM模型生成alpha因子今年多头超额净值走势20240930） 12

图13：ABCM模型生成因子相关系数矩阵 13

图14：ABCM模型数据集1上生成因子与Barra风险因子相关系数 13

图15：ABCM模型数据集2上生成因子与Barra风险因子相关系数 14

图16：中证全指选股汇总表现（回测期20240930） 15

图17：中证全指因子各分组超额表现 15

图18：各模型多头超额净值走势20231231） 15

图19：各模型多头超额净值走势20241031） 15

图20：中证全指各年度多头组合选股表现（回测期20241031） 16

图21：各宽基指数上选股表现（回测期20241031） 16

图22：今年沪深300多头超额走势（截至 17

图23：今年中证500多头超额走势（截至 17

图24：今年中证1000多头超额走势（截至 17

图25：因子风险暴露时序曲线 18

图26：沪深300指增组合分年度超额收益率（回测期20241031） 20

图27：沪深300指增组合超额净值走势20241031） 20

图28：不同暴露倍数下各风险模型对应沪深300组合的信息比率 20

图29：中证500指增组合分年度超额收益率（回测期20241031） 21

图30：中证500指增组合净值走势20241031） 21

图31：不同暴露倍数下各风险模型对应中证500组合的信息比率 21

图32：中证1000指增组合分年度超额收益率（回测期20241031） 22

图33：中证1000指增组合净值走势20241031） 22

图34：不同暴露倍数下各风险模型对应中证1000组合的信息比率 22

一、引言

多因子选股策略

多因子选股策略是量化投资中的主流Alpha策略，它通过结合多个具有预测能力的因子来构建投资组合。多因子选股框架通常包括alpha模型、风险模型、交易成本模型和组合优化四个部分，整个多因子选股策略的框架可表示为下图所示的过程。其中alpha模型主要是对个股未来的收益率或特质性收益率在整体股票池中的排序进行预测，风险模型则是负责对个股之间的协方差矩阵进行估计，交易成本模型是对个股的交易成本进行预测，而组合优化则是在考虑交易成本的前提下，负责在给定风险（即组合的波动）下极大化预期收益从而构建组合