深度学习风险模型与强化风险模型的构建及组合优化
深度风险模型
- 问题: 传统风险模型（如Barra模型）在市场冲击下解释度降低，难以捕捉非线性关系。
- 解决方案: 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，提升收益解释度。
- 结果: 日度收益回归解释度较传统模型提升4%至33%，尤其在市场波动时期（如2024年9月）提升显著。
- 模型结构: GAT捕捉股票间的横截面关系，GRU建模时间序列的动态变化，输出K个风险因子（本篇研究中K=10）。
- 测评:
- 解释度: 加入中信行业哑变量后进行带约束的OLS回归，解释度从29%提升至33%。
- 相关性: 深度风险因子与传统Barra风险因子的相关性参差不齐，部分因子与风格因子相关性较高，部分较低。
- 选股表现: 深度风险因子直接选股表现较弱，但时序稳定性尚可（平均一阶时序自相关性达92%）。
- 组合优化: 在沪深300、中证500、中证1000指数增强组合中，深度风险模型降低了跟踪误差，提升了超额收益和信息比率。
强化风险模型
- 问题: 深度风险模型存在重新训练导致因子含义不一致、与深度学习alpha同质化、解释度仍有提升空间等问题。
- 解决方案: 引入强化学习PPO算法动态优化风险因子生成，解决上述问题并提升模型表现。
- 模型结构: 通过PPO算法动态适应市场变化，输出风险因子，并约束因子自相关性等。
- 测评:
- 解释度: 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，因子时序更稳定。
- 选股表现: 选股收益一般，因子平均一阶时序稳定性达94.6%，与深度学习alpha因子相关性更低。
- 组合优化: 在沪深300、中证500、中证1000指数增强组合中，信息比率较深度风险模型提升0.2左右，但中证1000信息比率略有下降。
端到端的深度学习组合构建
- 解决方案: 利用LinSAT网络在深度神经网络中进行组合优化，端到端输出组合持仓。
- 结果: 在沪深300、中证500、中证1000指数成分股中分别训练，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。
端到端的强化学习组合构建
- 解决方案: 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。
- 结果: 初步实验表明，强化学习最终策略在跟踪误差与年化超额收益上都无法显著跑赢LinSAT网络与之前的深度及强化风险模型。
总结与思考
- 传统风险模型: 静态特性导致在市场风格切换节点适应性滞后，组合跟踪误差扩大和超额收益回撤。
- 深度风险模型: 解释度提升，但在组合优化中信息比率提升有限。
- 强化风险模型: 解释度和稳定性进一步提升，但在组合优化中效果一般。
- LinSAT网络: 端到端组合优化效果最佳，超额收益与信息比率显著提升。
- 强化学习组合优化: 效果不理想，需进一步探索。
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。
