开源量化评论(103)：深度学习赋能风格轮动与多策略融合-241212-开源证券-16页.pdfVIP

金金融工程专题

融

工

程2024年12月12日深度学习赋能风格轮动与多策略融合

研

究

金融工程研究团队——开源量化评论（103）

魏建榕（首席分析师）魏建榕（分析师）盛少成（分析师）

证书编号：S0790519120001weijianrong@kysec.cnshengshaocheng@kysec.cn

证书编号：S0790519120001证书编号：S0790523060003

张翔（分析师）

深度学习赋能交易行为因子挖掘

证书编号：S0790520110001

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

金傅开波（分析师）论了LSTM模型在因子挖掘中的应用，从2019年至今月度RankIC均值为9.37%。

融

工证书编号：S0790520090003在《深度学习赋能分析师行为：更稳的盈利预期调整组合》中，我们利用了

程Transformer模型进行了研报情感的判断，其也可用在因子挖掘中，相较于LSTM

专高鹏（分析师）

题模型，该模型能够更好的把握时序数据的隐含关系，月度RankIC提升至10.27%。

证书编号：S0790520090002

深度学习维度下的风格选择

苏俊豪（分析师）

对于风格的界定，本文以多策略基本面选股公式“股票收益估值提升+盈利+分

证书编号：S0790522020001

红”为基础，同时考虑了对市场影响较大的其他风格，最终确定为：市值、价值、

胡亮勇（分析师）质量、成长、红利。我们采取全市场股票高低二分组，并将不同的风格进行两两

证书编号：S0790522030001组合，构建40个股票等权组合，月度更新，形成40种风格指数。

若直接从指数层面出发，指数Transformer因子的月度RankIC为6.13%，具备一

王志豪（分析师）

定风格轮动效果，但该因子在优选多头层面效果一般，在尾部剔除层面效果较好。

证书编号：S0790522070003

若从Transformer股票因子维度出发，其截面分位点聚合至指数的绝对比例有一

盛少成（分析师）定区分度，且多头效果优于空头。

开

源证书编号：S0790523060003深度学习风格综合优选方案：首先使用指数Tramsformer因子剔除排名后1/4的风

证格，再在剩下的风格指数池中利用股票Tramsformer因子聚合至指数的绝对比例优选

券苏良（分析师）

2种风格，相较风格等权而言，超额收益波动比为0.97。

证证书编号：S0790523060004

券强化学习维度下的风格选择

研何申昊（分析师）对于强化学习输入端，我们使用Transformer模型进行风格指数短周期(1日)和长

究证书编号：S0790524070009

报周期(5日)的滚动预测，并将短、长周期的隐藏层合并后输入强化学习模型。

告

陈威（研究员）