AlphaNet改进：结构和损失函数-20210704-华泰证券-21页_1mb

AlphaNet改进：结构和损失函数

核心内容

本文提出AlphaNet的三个改进方向，均取得了理想的改进效果。改进包括：特征提取层自定义Dropout机制、损失函数加入中性化机制、以及损失函数中提高多头样本权重。所有改进均基于AlphaNet-v2模型进行测试，且测试结果显示在收益表现、训练速度和模型稳定性方面均有显著提升。

主要观点

1. 特征提取层自定义Dropout机制

   • 目的：控制过拟合，提升模型训练速度。
   • 方法：对二元运算函数（如ts_corr、ts_cov）进行抽样遍历，减少计算开销和特征相关性。
   • 优势：
     • 节约计算开销，提升训练速度。
     • 降低特征相关性，有助于控制过拟合。
     • 降低不同随机数种子训练模型之间的相关性，有利于模型集成。
   • 测试结果：
     • AlphaNet-v2.1的RankIC均值略高于AlphaNet-v2，IC_IR略低，总体表现接近。
     • 年化超额收益率提升，训练耗时明显减少。

2. 损失函数加入中性化机制

   • 目的：剔除风格因子影响，挖掘更纯粹的Alpha因子。
   • 方法：在计算MSE前，将真实收益率对Barra风格因子进行回归，使用残差作为预测目标。
   • 优势：
     • 降低风格暴露，提升模型稳定性。
     • 对回撤和波动控制显著改善。
   • 测试结果：
     • AlphaNet-v2.2的RankIC均值略低，但IC_IR较高，超额收益稳定性提升。
     • 在2014年底、2019年初、2020年初等关键时期，超额收益回撤显著减小。

3. 损失函数中提高多头样本权重

   • 目的：挖掘具有显著多头收益的因子。
   • 方法：对每个截面中收益率排名前50%的样本设置权重为2，其余为1。
   • 优势：
     • 简单且有效，无需修改底层代码。
     • 提升TOP组合收益率和信息比率。
   • 测试结果：
     • AlphaNet-v2.3的RankIC均值略高，IC_IR略低。
     • 构建中证500增强策略时，年化超额收益率和信息比率更高。

关键信息

• 模型结构：AlphaNet-v2是基线模型，通过特征提取层、损失函数优化和样本权重调整进行改进。
• 数据准备：
  • 股票池：全A股，剔除ST、PT股票及涨跌停和停牌股票。
  • 特征：个股日频量价信息，形成 $15 \times 30$ 的“数据图片”。
  • 预测目标：个股10天后标准化的收益率。
  • 回测区间：2011年1月31日至2021年6月30日。
• 训练方式：使用过去1500个交易日的数据，按4:1划分训练集和验证集，每隔半年滚动训练。
• 预测方式：在每个样本外数据截面上，使用最新训练的模型预测。
• 模型集成：训练10个模型，取预测结果的等权平均作为合成因子。

测试方法

• 单因子IC测试：分析RankIC均值、标准差、ICIR和IC>0占比。
• 分层测试：构建分层组合，评估年化超额收益率、信息比率、夏普比率等。
• 回测策略：构建行业市值中性的中证500增强策略，评估超额收益、波动率、回撤等指标。

测试结果对比

风险提示

• 人工智能模型构建的选股策略是历史经验总结，存在失效风险。
• 神经网络受随机性影响较大，可解释性较低，使用需谨慎。

附录：Barra风格因子模型

• Barra USE4模型 包含10个风格因子，具体如下：

重要声明

• 本报告所载观点、结论和建议仅供参考，不构成购买或出售证券的要约。
• 报告内容可能受利益冲突影响，投资者应自行判断并参考其他信息。
• 本报告基于历史数据，不承诺未来回报，亦不保证任何预测实现。
• 报告内容受版权保护，未经授权不得使用或分发。