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-250218-东方证券-46页.pdfVIP

金金金金融融融融工工工工程程程程||||专专专专题题题题报报报报告告告告

DFQ-FactorVAE-pro：加入特征选择与环报告发布日期2025年02月18日

境变量模块的FactorVAE模型

——因子选股系列之一一一

杨怡玲yangyiling@

执业证书编号：S0860523040002

研究结论刘静涵0213211

DFQ-FactorVAE模型回顾liujinghan@

⚫在前期报告中，我们给出了DFQ-FactorVAE模型。模型在传统的端到端神经网络基执业证书编号：S0860520080003

础上，融合了变分自编码器与概率动态因子模型的思想，创新性地提出了“先验-后香港证监会牌照：BSX840

验”学习方法，建立股票收益率预测模型，学习输入特征和标签之间的关系。

⚫FactorVAE模型架构拓展潜力较大，模型所得选股因子的稳定性、在沪深300股票池

中的多头表现十分突出。本次我们对原模型进行了多方面的升级优化。

DFQ-FactorVAE-pro模型说明

ABCM：基于神经网络的alpha因子和beta2024-12-03

⚫金融数据中普遍存在较高的噪声和冗余，因此，特征选择在模型开发中至关重要。特因子协同挖掘模型：——因子选股系列之

征选择的目的是减少无关或冗余的特征，提升模型的训练效率和预测准确性，同时避一一〇

免过拟合。因此我们在FactorVAE模型中添加特征选择模块，引入特征选择器和特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

征重构器，由网络实现自动特征选择，同时保证筛选后特征信息的完整性。

KD-Ensemble：基于知识蒸馏的alpha因2024-08-19

⚫端到端神经网络模型的输入一般是股票特征，通常忽略了市场整体信息的作用，但实子挖掘模型：——因子选股系列之一〇八

际股票收益也会受到当时所处的市场环境的影响。因此我们重构了FactorVAE模DFQ-XGB：基于树模型的alpha预测方2024-08-15

型，在训练阶段加入日期环境变量特征来协同对股票收益定价，而在预测时摒弃环境案：——因子选股系列之一〇七

变量的部分，以此提升模型的收益预测泛化能力。基于风险注意力的因子挖掘模型：——因2024-05-29