机器学习系列之六：适应市场状态与股票关联性的因子生成模型-240904-东北证券-31页_2mb

本报告分析了适应市场状态与股票关联性的因子生成模型，核心目的是突破传统因子生成方法的局限性。传统方法忽视市场状态切换和股票关联性变化，导致模型在极端行情中可能出现大幅回撤；同时，仅依赖股票自身特征，忽略了关联信息。针对这些问题，提出Adaptive-GSM-Alpha模型，这是一种适应性强的因子生成系统。

模型分为基础模型和子模型两部分。基础模型在前期报告的GSM-Alpha基础上进行改进，通过引入风险因子（包括基本面和量价信息）拓宽信息源，并使用深度风险模型优化股票关联性建模。这使得模型能捕捉股票间的协同效应和多样化风格偏向。子模型部分基于市场状态划分（包括暴涨、平稳上行等六种情形），针对每种状态进行微调训练，以捕捉不同行情下的交易模式。推理时，结合实时趋势和波动指标计算各子模型权重，进行加权合成，扩展了模型的稳健性。

市场状态识别基于价格趋势和波动性指标，深度风险模型对原始风险因子进行加强，提升了对股票本质特征的刻画。实验显示，子模型在对应市场状态中表现更优，且子模型间风格偏向各异，体现了适应性专一性。Adaptive-GSM-Alpha因子在2018-2024年间表现优秀，月频RankIC达1455%，年化收益显著；应用于指数增强策略，超额年化收益稳定，回撤控制良好。

总体而言，该模型通过适应市场状态和股票关联性变化，提高了因子生成的稳定性和收益表现，降低了回撤风险，验证了其在实际投资中的有效性。

（字数：398）