20260529-中金公司-中金_机器学习系列_5_因子选股中的_多模态_-_CrossAttention混频因子合成_16页_3mb

中金 | 机器学习系列（5）：因子选股中的“多模态”-CrossAttention混频因子合成

核心内容概述

本文探讨了如何利用Cross-Attention机制解决因子选股中多源、多频率因子融合的问题。中金量化策略团队提出了一个名为STAR（Stock-Temporal cross-Attention Ranker）的混频因子合成模型，旨在通过因子、时序和截面三个维度建模，实现对月度收益率的联合预测。STAR模型在中证1000指数成分股范围内，取得了显著的样本外选股表现，年化超额收益达到23.48%，优于传统方法。

主要观点

• 多模态任务类比：因子选股中的混频因子合成任务与金融领域的多模态融合问题具有高度相似性，日频与月频因子分别刻画市场短期交易行为与公司长期基本面质量。
• STAR模型结构：STAR模型通过因子嵌入、时序编码、时序池化、截面自注意力和回归预测五个阶段进行因子合成。
• Cross-Attention机制：该机制允许模型在预测目标驱动下，动态判断不同频率因子的相对重要性，实现异质信息的选择性读取与融合。
• 模型优势：
  • 不需对原始数据进行硬对齐；
  • 可以捕捉跨频率的动态关联；
  • 显式建模因子和股票间的相关性，相比树模型和时序模型具有更全面的建模能力。
• 实验结果：
  • 在样本外测试中，STAR的ICIR为1.36，多头年化超额为23.48%，超额夏普为2.16；
  • 与基准模型相比，STAR在ICIR和多头年化超额方面均有显著提升；
  • 在策略稳定性方面，STAR的超额波动率和最大回撤接近表现更好的GRU模型。

关键信息

• 因子类型：包括140个日度技术面因子和88个月度基本面因子。
• 数据范围：使用中证1000指数成分股2013-01-01至2026-03-31的数据，样本外测试区间为2022-07-01至2026-03-31。
• 模型架构：
  • 因子嵌入：使用一维卷积层进行因子嵌入，kernel_size=3时表现最佳；
  • 时序编码：通过L层堆叠的CrossAttentionEncoder，捕捉日频与月频因子的动态交互；
  • 时序池化：对时序数据进行等权平均池化，压缩时序维度；
  • 截面自注意力：学习股票间的动态关联结构，生成相关性矩阵；
  • 预测回归：通过线性层输出每只股票的收益率预测值。
• 损失函数：采用可微Rank-IC作为主项，辅以MSE项，实现对预测结果的优化。
• 训练机制：采用滚动扩展窗口训练，每期使用冷启动方式训练模型，结果取三次随机初始化训练的均值。

模型表现对比

风格暴露分析

通过Barra风格因子体系，STAR策略的风格暴露如下：

• 核心风格暴露：VALUE超配最为显著且持续，是策略的核心主动暴露；
• 其他风格暴露：MOMENTUM低配幅度最大，SIZE持续负偏；
• 整体风格：策略整体呈现低估值、低波动和小市值选股风格。

风险提示

• 所有结果基于历史数据测试，不代表未来表现；
• 外部条件变化可能导致测试结果变化；
• 模型存在潜在的过拟合风险，需谨慎评估与验证。

总结

STAR模型通过引入Cross-Attention机制，有效融合了日频价量因子与月频基本面因子，实现了跨频率信息的动态交互。其在因子相关性、时序相关性和截面相关性三个维度的建模，使模型在预测能力和稳定性方面显著优于传统方法。实验结果表明，STAR在样本外测试中表现优异，具有良好的收益能力和风险控制能力。