因子选股系列之一：DFQ-FactorVAE-pro，加入特征选择与环境变量模块的FactorVAE模型.docx

目录

TOC\o1-3\h\z\u一、DFQ-FactorVAE模型回顾 7

FactorVAE模型架构 7

变分自编码器 7

概率动态因子模型 7

“先验-后验”学习方法 8

FactorVAE模型训练和预测过程 9

训练过程 9

预测过程 9

DFQ-FactorVAE模型问题 10

二、特征选择 11

特征选择方法 11

特征选择模块 11

特征选择器 11

特征重构器 12

重构损失 12

效果分析 13

添加特征选择模块的效果 13

添加重构损失的效果 13

特征保留情况 13

三、环境变量 14

环境变量定义 14

环境变量引入方法 14

直接作为特征加入 14

注意力机制融合 14

协同训练 15

协同训练细节分析 16

四、DFQ-FactorVAE-pro模型说明 18

模型结构 18

数据说明 19

模型输入特征 19

模型预测标签 21

模型参数 21

对抗过拟合 21

随机种子的影响 22

滚动训练 23

五、DFQ-FactorVAE-pro模型结果 24

训练情况 24

因子整体绩效表现 24

因子分年绩效表现 29

中性化因子表现 33

因子多头组风险因子暴露 34

六、指数增强组合表现 37

指数增强组合构建说明 37

沪深300指数增强组合 37

中证500指数增强组合 39

中证A500指数增强组合 41

七、总结 43

参考文献 44

风险提示 44

图表目录

图1：FactorVAE模型架构示意图 8

图2：FactorVAE模型训练和预测过程示意图 9

图3：FactorVAEbasemodel绩效表现（2020.01.01-2024.09.30） 10

图4：FactorVAEbasemodelvsFactorVAEmaskmodel绩效表现（2020.01.01-202409.30）13

图5：FactorVAEmaskmodel重构损失加入前后的绩效表现（2020.01.01-2024.09.30） 13

图6：FactorVAEmaskmodel训练集上，每个特征保留的比例（2020.01.01-2024.09.30） 13

图7：FactorVAEmaskmodel直接加入市场状态指标前后的绩效表现（2020.01.01-

2024.09.30）..............................................................................................................................14

图8：FactorVAEmaskmodel使用注意力机制加入市场状态指标前后的绩效表现（2020.01.01-2024.09.30） 14

图9：FactorVAEmaskmodel使用两模块协同训练加入环境变量前后的绩效表现（2020.01.01-2024.09.30） 15

图10：不同共用方案下的模型绩效表现（2020.01.01-2024.09.30） 16

图11：不同损失函数设置方式下的模型绩效表现（2020.01.01-2024.09.30） 16

图12：不同协同方式下的模型绩效表现（2020.01.01-2024.09.30） 17

图13：DFQ-FactorVAE-pro模型结果示意图 18

图14：DFQ-FactorVAE-pro模型不同输入特征下的绩效表现对比（2020.01.01-2024.12.31）.20

图15：DFQ-FactorVAE-pro模型训练集、验证集、测试集上，每类特征保留的比例

（2020.01.01-2024.12.31）.......................................................................................................20

图16：DFQ-FactorVAE-pro模型训练集上，每个特征保留的比例（2020.01.01-202412.31）20

图17：DFQ-FactorVAE-pro模型不同预测标签下的绩效表现对比（2020.01.01-2024.12.31）.21

图18：DFQ-FactorVAE-pro模型参数列表 21

图19：DFQ-FactorVAE-pro模型余弦退火学习率调节器添加前后的绩效表现对比（2020.01.01-