量化专题报告：深度风险模型与强化风险模型的构建及组合优化

2025年05月06日 深度风险模型与强化风险模型的构建及组合优化 ➢传统风险 模型 在市 场冲 击 下解 释度 降低 ，深 度风 险 模型（Deep RiskModel）可以改善这一问题。传统风险模型（如Barra模型）在市场冲击下解释 度 下 降 ， 难 以 捕 捉市 场 中 的非 线 性 关 系 。 通 过 构 建 基 于 图 注 意 力 网 络（GAT）和门控循环单元（GRU）的深度风险模型，日度收益回归解释度较传统模型提升4%至33%，2024年9月等市场波动时期提升尤为显著。 ➢深度风险模型用于组合优化对深度学习因子与基本面因子均有提升。对于深度学习alpha因子Meta_Master，深度风险模型相较传统风险模型在沪深300指数增强组合信息比率持平，中证500，中证1000指数增强组合信息比率提升0.2左右。对于基本面价值因子AEG，深度风险模型在沪深300指数增强组合信息比率持平，中证500指数增强组合信息比率提升0.6，中证1000指数增强组合信息比率提升0.8，效果明显。 分析师叶尔乐执业证书：S0100522110002邮箱：yeerle@mszq.com 分析师韵天雨执业证书：S0100524120004邮箱：yuntianyu@mszq.com 相关研究 ➢强化风险模型（Reinforcement Risk Model）可进一步提升解释度以及组合优化表现。引入强化学习PPO算法动态优化风险因子生成，解决深度风险模型因重新训练导致的因子含义不一致等问题，解释度进一步提升至35.3%，与深度学习alpha因子相关性有所降低，同时因子在时序上更加稳定，适合实际应用与生产。在组合优化中，Meta_Master强化学习沪深300指数增强组合年化超额收益9.2%，信息比率1.89，较深度风险模型提升0.2左右；中证500指数增强组合年化超额收益11.7%信息比率2.73，较深度风险模型提升0.2左右；中证1000指数增强组合年化超额收益13.4%，信息比率2.58，较深度风险模型下降0.2左右。 1.量化周报：静待流动性回升-2025/05/052.资产配置月报202505：五月配置视点：黄金见顶了吗？-2025/05/053.量化大势研判202505：成长性分化加剧，提升稀缺性价值-2025/05/034.量化分析报告：2025年4月社融预测：14704亿元-2025/05/015.量化周报：工业景气度边际有所回升-2025/04/27 ➢LinSAT网络支持在深度神经网络中进行组合优化，端到端输出组合持仓，收益弹性显著提升。在组合优化中，端到端的LinSAT网络直接输出满足约束的持仓权重，我们利用Meta_Master模型中最后一层的Encoder与LinSAT网络进行拼接，模型输出为每只股票的持仓权重，并在LinSAT网络中加入行业，市值，及深度风格暴露约束以及个股权重约束（考虑成分股），并在沪深300、中证500、中证1000指数成分股中分别训练，最终3个指数增强策略年化超额收益分别达到13.0%、16.6%、17.1%，信息比率最高达3.27，收益弹性提升，跟踪误差略微放大，信息比率显著提升，显著优于之前所有方法。 ➢强化学习进行多目标学习同时输出风险因子与组合持仓，效果一般。强化学习同样可以将alpha信号与风险因子共同纳入考量，构建投资组合。我们延用PPO算法，重新定义CMDP问题。在输入端加入Meta_Master模型Encoder的输出部分，通过双头网络输出当日的股票持仓与风险因子，在奖励函数中加入收益奖励部分，并约束风险因子与组合持仓的稳定性以及风格暴露等因素，直接取持仓动作作为交易信号，超额收益与信息比率均有下降，效果不理想。 ➢风险提示：量化模型基于历史数据，市场未来可能发生变化，策略模型有失效可能。 目录 1深度学习风险模型....................................................................................................................................................31.1深度风险模型构建..............................................................................................................................................................................31.2深度风险模型测评..............................................................................................................................................................................62强化风险模型........................................................................................................................................................132.1强化风险模型构建............................................................................................................................................................................132.2强化风险模型测评............................................................................................................................................................................183如何在深度/强化学习组合中融合风险模型？.........................................................................................................233.1端到端的深度学习组合构建............................................................................................................................................................233.2端到端的强化学习组合构建............................................................................................................................................................264总结与思考............................................................................................................................................................305风险提示...............................................................................................................................................................316附录......................................................................................................................................................................326.1深度学习风险模型损失函数推导...................................................................................................................................................326.2参考文献.............................................................................................................................................................................................32插图目录..................................................................................................................................................................34表格目录..................................................................................................................................................................34 1深度学习风险模型 传统风险因子难以捕捉复杂的非线性市场关系，本篇研究中我们构建AI风险模型以解决这一问题。投资组合风险管理的核心在于准确估计风险因子收益的协方差矩阵，以优化投资组合的风险收益权衡。深度风险模型通过结合图注意力网络（GAT）和门控循环单元（GRU）的混合架构，从股票特征中自动学习隐风险因子，旨在提升收益解释度与风险控制能力。 1.1深度风险模型构建 我们结合GAT图注意力网络与GRU学习风险因子，首先通过GAT捕捉股票间的横截面关系，随后通过GRU建模时间序列的动态变化，旨在同时捕捉特质与非特质的风险因子。深度风险模型分为上下两支，下支为GRU网络，学习每个股票过去时序的信息，捕捉股票市场的全局信息；上支为GAT+GRU网络，首先通过GAT构造每个截面batch上的股票间关系，随后利用输入减去GAT的输出得到残差，再输入到GRU网络当中，旨在捕捉剥离股票相关性之后的市场信息。通过这样的模型结构，将特质性信息的风险因子与非特质信息的风险因子拼接到一起，上下两支分别经过FC+Norm，即全连接层+标准化曾得到K/2个风险因子，最终得到K个风险因子，在本篇研究中，为了对标Barra CNE5风险模型，我们令K=10。 图注意力网络(Graph Attention Network, GAT)是一种专门处理图结构数据的深度学习模型，由Velickovic等人在2017年提出。GAT的核心思想是在每个节点上计算注意力系数，以确定节点与其邻居节点之间的关联性。这种