20240812-江海证券-江海潮涌_星辰引航_量化因子掘金系列（二）_应用神经网络AlphaNetV3构建的可转债因子_23页_1mb

可转债因子构建与模型分析总结

核心内容

本研究基于AlphaNetV3深度学习模型，对可转债的量价数据进行分析，构建了一个可转债选债因子。通过模型的适应、优化和超参数调整，该因子在样本外回测中表现良好，具备较强的预测能力和稳定性。

主要观点

• 因子表现：在样本外回测中，组3表现最优，年化收益率为3.3%，年化超额为8.0%，贝塔为1.36，阿尔法为0.11，胜率为52.3%，日胜率为53.1%，盈亏比为1.04，最大回撤为14.2%。
• 年度表现：组3在2022年至2024年三个年份中均表现最佳，年化收益率分别为4.4%、8.5%和-10.1%，年化超额分别为14.7%、9.0%和-8.0%。其余组别收益排序基本不变，贝塔值均大于1，因子特性未发生本质变化。
• 因子稳定性：组3在样本外回测中表现出较高的相关性（IC值为0.1，大于0.05），且IR值为0.75（大于0.5），超额较稳健。组3的RankIC和RankIR与其IC、IR表现类似，显示了相似的预测能力。
• 因子适用性：构建的因子在波动性较大的市场环境中表现较强，适合在震荡牛市中使用。结合多因子策略可以增强组合的整体表现和市场风格适应性。
• 模型结构：模型采用“输入层-特征提取层-池化层-全连接层”的架构，其中池化层使用GRU结构，保留了时序信息。特征提取层使用7个函数对输入数据进行处理，如相关性、协方差、标准差等。

关键信息

模型设定与训练

• 训练集：2018年1月1日至2021年10月31日
• 测试集：2021年11月1日至2021年12月31日
• 样本外回测：2022年1月1日至2024年7月15日
• 预测周期：1（即在t-1的视角预测t的收益率）
• 采样间隔：1
• 回溯期数：30
• 批次大小：10000
• 优化器：RMSprop，学习率1e-4，动量0.9，权重衰减1e-5
• 损失函数：均方误差（MSE），用于衡量预测值与真实值的差异
• 激活函数：ReLU，有助于缓解梯度消失问题，提高模型表达能力
• 批量归一化：BN用于规范化中间层输入，减少内部协变量偏移，提高模型收敛速度和稳定性

回测结果（样本外）

• 组别表现：组3表现最优，其余组别中，组8、9、10有较强的负超额。
• 贝塔值：各组贝塔值均大于1，显示因子具有较强的市场系统性风险。
• 阿尔法：组3阿尔法最大，为0.11；组10阿尔法为-0.07，表现最差。
• 夏普比率：组3的夏普为0.02，基准中证转债为-0.96。
• 胜率与日胜率：组3胜率和日胜率均较高，分别为52.3%和53.1%。
• 盈亏比：组3盈亏比为1.04，基准为0.95。
• 最大回撤：组3最大回撤为14.2%，优于基准的15.3%。

因子评价

• IC值：组3的IC值为0.1，RankIC为0.09，显示因子具有良好的预测能力。
• IR值：组3的IR值为0.75，RankIR为0.85，超额收益较稳定。
• 波动性：组3年化波动率为12.2%，夏普比率较低，但胜率和盈亏比较好。
• 市场环境影响：因子在中证转债年化波动率较高时表现较好，适合在震荡牛市中使用。但2024年表现较弱，可能由于数据量不足和市场回调。

风险提示

• 模型预测结果可能受多种因素影响，包括模型构建方法、参数估计准确性、假设条件及市场环境变化。
• 历史数据不能完全预测未来市场走向，模型可能无法有效适应新的市场环境。
• 投资者应谨慎使用本报告信息，结合市场分析和专业意见进行投资决策。

图表说明

• 图1：模型整体架构图
• 图2：单个GRU模块的结构
• 图3：循环网络中的单元传递过程
• 图4：ReLU函数图像
• 图5：MSE损失随迭代次数变化
• 图6：因子分组的样本外回测表现

表格说明

• 表1：样本池的选择条件
• 表2：特征池的选择
• 表3：模型设定
• 表4：模型中的网络构成
• 表5：分组回测结果
• 表6：分组回测结果（IC、RankIC、IR和RankIR）

总结

本研究通过AlphaNetV3模型构建了一个可转债选债因子，并在不同年份进行回测，显示该因子在震荡市场中表现良好，具有较强的预测能力和稳定性。然而，模型的预测结果可能受市场环境变化影响，需谨慎使用。