20240819-东方证券-因子选股系列之一〇八_KD-Ensemble_基于知识蒸馏的alpha因子挖掘模型_33页_3mb

报告总结

研究背景

本文基于现有的AI量价模型框架，针对Level-2（L2）数据集在原始模型中的局限性进行了改进。原有模型主要依赖大单构建人工因子，而小单和盘口数据蕴含大量信息。同时，为捕捉因子与收益率间的线性和非线性关系，引入了知识蒸馏方法，并加入风险因子生成以抑制波动。

改进思路

1. 小单与盘口因子补充
   构建基于小单和盘口的因子，补充L2数据集信息，增强日内交易行为捕捉能力。

2. 知识蒸馏的集成学习
   结合树模型（泛化能力强，适合分类数据）与神经网络（拟合非线性能力强），通过知识蒸馏技术过滤有效信息，提升模型表达能力。

3. 风险因子正交化
   加入风险中性因子生成，并与Alpha因子正交，抑制因风格轮动带来的回撤。

实验结论

1. 小单与盘口因子表现
   小单早盘占比、净流入、收益率因子表现优异，中位数划分优于金额划分。小单占比因子（中位数）具有较好的风险刻画能力。

2. 合成因子效果
   结合知识蒸馏和技术改进，合成因子在多个指数上的Rank IC和超额收益显著提升，尤其在稳定性方面，基于风险中性模型的因子表现突出。

3. 指数增强应用
   新模型在沪深300、中证500、中证1000指数增强策略中显著超基准，年化超额达到1688%-3138%，且回撤控制效果明显。

风险提示

• 量化模型存在失效风险。
• 极端市场环境下模型效果可能剧烈波动。

本报告摘要部分保留了原含义，确保信息准确传达，字数未超过限制。