开源量化评论(103)：深度学习赋能风格轮动与多策略融合.docx

目 录

1、深度学习赋能交易行为因子挖掘 4

、LSTM深度学习因子挖掘框架和绩效回顾 4

、Transformer深度学习因子挖掘对比 5

、Transformer因子多头优选 6

2、深度学习维度下的风格选择 7

、风格优选：指数Transformer因子 7

、风格优选：股票Transformer因子 8

、风格优选：深度学习综合方案 9

3、强化学习维度下的风格选择 10

、PPO和SAC优选对比 10

、基于SAC的月度风格选择 11

4、基于风格优选的多策略融合实践 12

5、风险提示 14

图表目录

图1：围绕收益拆解公式衍生出的基本面选股框架 4

图2：开源金工特色LSTM因子挖掘整体流程 5

图3：LSTM因子10分组多空对冲的年化收益率为32.74% 5

图4：Transformer因子10分组多空对冲的年化收益率为38.77% 6

图5：Transformer和LSTM因子累计RankIC 6

图6：Transformer和LSTM因子10分组多空对冲 6

图7：Transformer100净值较为优异 6

图8：指数Transformer因子4分组绩效 8

图9：指数Transformer因子尾部剔除效果较为优异 8

图10：绝对比例4分组绩效：多头效果优于空头 8

图11：比例相对变化4分组绩效 8

图12：大盘价值风格2024年基本都位于多头端 9

图13：深度学习综合方案：优选风格个数敏感性分析 9

图14：深度学习综合方案：优选2种风格净值较为优异 10

图15：PPO算法和SAC算法伪代码 10

图16：开源金工特色强化学习风格轮动流程 11

图17：SAC算法最终净值优于PPO算法 11

图18：强化学习风格因子：优选风格个数敏感性分析 12

图19：强化学习风格因子：优选10种风格净值较为优异 12

图20：Transformer优选100收益波动比随lambda变化 13

图21：Transformer优选100净值明显更优 13

图22：Transformer优选100净值较为优异 13

表1：Transformer100绝对收益年化23.37%，收益波动比0.94 7

表2：随着滚动天数N的变化，月度强化学习风格SAC因子4分组年化收益统计 12

表3：深度学习和强化学习方法优选超额绩效对比 12

表4：Transformer优选100绩效较为优异 14

对于多策略融合而言，我们过去一系列报告的做法是从轮动规律相对较为显著的价值和成长展开，分别构建内部选股模型和模型间的轮动模型，如图1所示。

图1：围绕收益拆解公式衍生出的基本面选股框架

资料来源：研究所

对于图1的基本面选股框架，我们在做每个组合时通常分为两大步骤：

寻找优质股票池的界定标准。比如对于预期调整Plus组合，我们精细化的改进了分析师预期调整因子；对于价值Plus组合，我们精细化的改进了估值PB因子。

寻找优质股票池内的优质因子和最优结合方式。比如对于超预期Plus组合和预期调整Plus组合而言，特色大小单资金流因子都是组合超额的重要补充。

以上做法理论上可以把每一类策略从可解释逻辑的层面做到极致，以及寻找出最优的风格配比，但缺点是耗时长、完备性差。

本文尝试从深度学习和强化学习角度出发，自动选择风格，并在风格内优选股票，从而实现使用基本的行情和财务指标，就可进行有效的多策略融合。

值得一提的是，在机器学习领域，我们已经发布一系列报告，分别为《遗传算法赋能交易行为因子》、《深度学习赋能交易行为因子》、《深度学习赋能分析师行为：更稳的盈利预期调整组合》，感兴趣的读者可自行查阅。

1、深度学习赋能交易行为因子挖掘

、LSTM深度学习因子挖掘框架和绩效回顾

在《深度学习赋能交易行为因子》中，我们从最基本的行情和财务数据出发，讨论了LSTM模型在因子挖掘中的应用，模型的架构如图2，绩效如图3所示。至LSTM因子的月度RankIC均值为9.37%，RankICIR为3.86。

10分组多空对冲的年化收益率为32.74%，月度最大回撤为4.26%，月度胜率82.86%。

图2：开源金工特色LSTM因子挖掘整体流程

资料来源：研究所

图3：LSTM因子10分组多空对冲的年化收益率为32.7