20231106-国盛证券-量化专题报告_基于深度学习的指数增强策略_17页_1mb

基于深度学习的指数增强策略

一、核心问题

基本面因子在低频多因子模型中是重要的alpha来源，但自2021年业绩类因子（盈利、成长、预期调升）出现大面积回撤，短期表现为beta特征。

二、应对方案

提出三个维度的可能性：

• 深入基本面：挖掘财报中有效信息
• 拥抱beta：应用行业轮动与主动量化策略
• 量价+AI：利用深度学习捕捉短期定价不足

报告关键聚焦第三个维度，使用机器学习方法处理数据驱动的新模式。

三、方法论

1. 模型选择

• 自RNN模型中选中**LSTM（长短期记忆网络）**模型以应对序列数据（能够捕捉时序关系）
• 希望通过构建不同数据集作为输入，以捕捉增量信息

2. 数据准备与特征工程

构建6个数据集，用以训练对应的深度学习因子：

• 低频行情数据集（日、周）
• 内行情数据集（分钟）
• 资金流数据集
• 量价因子衍生数据集（11个特征）
• 经过标准化、滚动窗口处理

3. 模型训练细节

• 输入样本为股票日行情（二维矩阵），输出层使用LSTM+注意力机制构建
• 计算每天vwap价格计算的收益残差作为预测目标
• 使用earlystop防过拟合机制
• 集成6个独立模型结果，线性加权合成综合因子：nn_score

四、模型评估与业绩展示

1. 单因子表现

各因子IC均值、IC周胜率和年化超额收益如下（2017年起）：

表：单因子主要指标对比

2. 综合因子nn_score

• IC均值提升至127%，IC周胜率为902%，ICIR达123
• 因子相关性：量价输入因子高度相关，资金流因子与其他相关性低，线性组合后提升效果明显

表：综合因子表现

3. 指数增强策略实证

构建周度调仓中证500/1000增强组合：

表：指数增强组合年度表现

五、风险与局限

• 收益预测基于历史数据，存在失效风险
• 因子IC散化趋势明显（2020年起加速）
• 模型具有域迁移风险，小市值股票表现更好
• alpha衰减与量化规模增长有关联，警惕策略同质化风险

六、结论

低频因子模型遇到挑战，深度学习在三个维度（特征构建、模型结构、数据输入）上为应对方案提供可能。尽管模型存在风险，但nn_score因子复合表现良好，指数增强策略获得显著超额收益和低跟踪误差，证明了在捕捉短期价量因子增量信息上具有实际应用价值。应对方案重心应转向数据洞察、模型集成和因子持续性优化。