因子选股系列之一一〇：ABCM：基于神经网络的alpha因子和beta因子协同挖掘模型

报告发布日期 ABCM：基于神经网络的alpha因子和beta因子协同挖掘模型 ——因子选股系列之一一〇 杨怡玲yangyiling@orientsec.com.cn执业证书编号：S0860523040002 陶文启taowenqi@orientsec.com.cn执业证书编号：S0860524080003 研究结论 ⚫基于基本面的Barra模型中的风险因子往往考虑的是超长周期的风险，且模型中基本面信息占比相对量价信息更高，因此这种风险模型对于中高频策略可能力不从心。为了克服这些问题，我们提出了一套基于神经网络和量价数据驱动的风险因子生成模型，我们称之为ABCM（Alpha-BetaCo-mining）模型。 样本外各风险因子的表现： 相对定价类基本面因子挖掘：——因子选股系列之一〇九2024-10-11KD-Ensemble：基于知识蒸馏的alpha因子挖掘模型：——因子选股系列之一〇八2024-08-19融合基本面信息的ASTGNN因子挖掘模型：——因子选股系列之一〇四2024-05-27 ⚫RankIC基本上都在3%以内、ICIR基本上都在0.2以内而RankIC胜率基本上都在60%以内，意味着各个风险因子均不具有显著的选股能力；⚫Abs(RankIC)均较高，说明各因子对未来收益率的解释能力较强；⚫自相关系数均在70%以上，说明短期来看各个风险因子衰减速度较弱；而各风险因子两两之间相关性基本上都在20%以内，信息独立性较强；⚫各个股票池上ABCM1&2风险因子滚动Rsquare曲线均稳定位于Barra风险因子上方，且相对于Barra风险因子，ABCM2风险模型Rsquare显著提升，在沪深300、中证500和中证全指上分别提升至47.02%、34.28%和20.53%。因此基于神经网络生成的风险模型对未来收益率的解释能力整体强于Barra风险模型。 样本外“伴生”的alpha因子的表现： ⚫有着较强的获取超额收益的能力，2017年至今年化超额达36.55%。且该因子往年超额收益回撤仅有5.86%，且今年该因子最大回撤相对不大，这说明该因子能稳定的获取较高的超额。 ⚫今年三季度该alpha因子的多头表现较为稳定未出现大幅回撤，另外一方面该因子与各个Barra风险因子相关性较低，这说明通过ABCM模型生成alpha因子获取alpha信息的来源与常规机器学习生成的alpha因子差异性较大，与常规机器学习因子有着较强互补性。 ⚫ABCM2模型生成的alpha因子对我们已有的AI量价模型生成alpha因子能够起到较大增量作用，通过把前者纳入到我们已有的AI量价模型中进行合成，新生成的alpha因子在中证全指、中证500和中证1000上RankIC分别提升至16.39%、11.94%和14.94%，多头年化超额分别提升至52.63%、26.46%和39.61%，在中证全指上RankICIR也提升至1.66，说明新因子获取alpha收益的能力更强，稳定性也更好。 风险因子用于组合优化的表现： ⚫相对于使用Barra风险模型，将ABCM2风险模型生成的风险因子直接用于组合优化，新组合具有更高的信息比率，其中中证500增强组合由2.79提升至3.30，中证1000增强组合则由3.83提升至4.25。并且组合的年化超额以及超额最大回撤均有显著改善。 风险提示 1.量化模型基于历史数据分析，未来存在失效风险，建议投资者紧密跟踪模型表现。 2.极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。 目录 一、引言.................................................................................................4 1.1多因子选股策略............................................................................................................41.2传统风险模型...............................................................................................................41.3机器学习风险模型........................................................................................................5 二、基于AI的风险因子挖掘框架改进方案.....................................................7 三、ABCM模型生成因子的表现....................................................................8 3.1风险因子表现...............................................................................................................93.2生成的alpha因子表现...............................................................................................123.3生成的因子相关性分析...............................................................................................13 四、ABCM模型对alpha端的增量...............................................................14 4.1中证全指上的表现......................................................................................................144.2各宽基指数上的表现...................................................................................................164.3因子风险暴露分析......................................................................................................18 五、ABCM风险因子在指增上的应用...........................................................19 5.1增强组合构建说明......................................................................................................195.2沪深300指数增强......................................................................................................195.3中证500指数增强......................................................................................................215.4中证1000指数增强....................................................................................................22 六、结论......................................................................................................23 风险提示......................................................................................................24 图表目录 图1：多因子选股策略框架...........................................................................................................4图2：DFQ-Risk风险因子............................................................................................................5图3：风险因子生成模型..............................................................................................................6图4：数据集1生成风险因子绩效表现（20170101~20240930）................................................9图5：数据集2生成风险因子绩效表现（20170101~20240930）................................................9图6：因子id0时序RankIC曲线和多空净值曲线（20170101~20240930）.............................10图7：因子id1时序RankIC曲线和多空净值曲线（20170101~20240930）.............................10图8：全市场风险因子滚动243日Rsquare（20180101~20240930）......................................11图9：沪深300风险因子滚动243日Rsquare（20180101~20240930）..................................11图10：中证500风险因子滚动243日Rsquare（20180101~20240930）................................11图11：ABCM模型生成alpha因子的绩效表现（20170101~20240930）.................................12图12：ABCM模型生成alpha因子今年多头超额净值走势（20231229~20240930）...............12图13：ABCM模型生成因子相关系数矩阵.................................................................................13图14：ABCM模型数据集1上生成因子与Barra风险因子相关系数..........................................13图15：ABCM模型数据集2上生成因子与Barra风险因子相关系数..........................................14图16：中证全指选股汇总表现