因子选股系列之一〇六：基于风险注意力的因子挖掘模型-240529-东方证券-19页_1mb

在前序报告中，研究者通过使用行业关联、分析师覆盖和基金持仓构建了异构图模型，以提升股票因子表现。然而，该模型存在稀疏性、对称性、主观性、滞后性和类别众多等缺陷。本文提出基于注意力机制的风险注意力（Risk-Attention）模型，解决了这些问题，实现了时序信息和空间信息的融合。模型使用风险因子作为查询（Q）和键（K），行情数据作为值（V），结合GRU和图注意力网络（GAT）机制，有效地传播股票间的关联信息。

数据采样自中证全指成分股，包括30天OHLCV时序和39个风险因子（10个大类风险因子和29个行业哑变量）。采用滚动训练策略，每样本周频频率，训练窗口为“10+1+1”的年滚动方案。回测结果显示，周频区间（2018-2024）中，模型RankIC达0.106，ICIR为0.630，夏普比率为0.523，多头年化超额收益率403%。相比于仅使用时序或简单因子合成的对比模型（RawGRU和CatMLP），Risk-Attention模型表现更优，尤其2020年后优势凸显。模型还能通过注意力权重矩阵解释市场风格变迁，例如微盘股影响向大盘股的扩展。

模型结构利用加性注意力或乘性注意力机制，统一了图传播与Transformer思想，允许自适应权重分配，提升了泛化能力。测试样本和参数有限，结论可能受限历史数据。风险包括模型失效和极端市场冲击。未来可拓展数据源和模型深度。

总字数：350。