量化模型与构建方式 1. 模型名称：AlphaNetV3 - 模型构建思路：AlphaNetV3 是基于 AlphaNet（V1）改进的深度学习模型，增加了比率类特征，使用不同步进的特征提取层，并将池化层替换为 GRU，保留了时序特性[7][13][15] - 模型具体构建过程： 1. 输入层：对底层特征池进行采样、分集、分批处理[18] 2. 特征提取层：通过7个函数（如相关系数、协方差、标准差等）生成二维特征矩阵，步进分别为10和5[19][71] 3. 池化层：使用GRU模块保留时序信息，GRU的公式如下： $z_t = \sigma(x_t W_{z,x_t} + h_{t-1} W_{z,h_{t-1}})$ $r_t = \sigma(x_t W_{r,x_t} + h_{t-1} W_{r,h_{t-1}})$ $\widetilde{h}_t = \tanh(x_t W_{tanh,x_t} + (h_{t-1} \circ r_t) W_{tanh,h_{t-1}})$ $h_t = (1 - z_t) \circ h_{t-1} + z_t \circ \widetilde{h}_t$ 其中，$z_t$为更新门，$r_t$为重置门，$h_t$为隐藏状态[27][28][30] 4. 激活函数：使用ReLU激活函数，公式为$f(x) = \max(0, x)$，在正区间内缓解梯度消失问题[37][40] 5. 全连接层：将池化层输出的特征展平并线性合成为输出[18][67] 6. 优化器：采用RMSprop优化器，学习率为1e-4，动量为0.9，权重使用L2正则化[58][60] 7. 损失函数：使用均方误差（MSE），公式为$MSE = \frac{1}{N} \sum_{i=1}^{N} (y_i - \hat{y_i})^2$[54][55] 8. 训练设置：训练集为2018.01.01-2021.10.31，测试集为2021.11.01-2021.12.31，样本外回测为2022.01.01-2024.07.15，预测周期和采样间隔均为1[68][70] - 模型评价：AlphaNetV3 在可转债领域表现出较强的预测能力，尤其在波动性较大的市场环境中表现较好，适合震荡牛市[7][87] --- 模型的回测效果 1. AlphaNetV3模型 - 收益率：组3的样本外回测收益率为8.5%，超额收益率为19.9%，年化收益率为3.3%，年化超额为8.0%[4][82] - 贝塔：组3的贝塔为1.36，表明因子倾向构造强于市场系统性风险的组合[82] - 阿尔法：组3的阿尔法为0.11，组10的阿尔法为-0.07[82] - 夏普比率：组3的夏普为0.02，基准中证转债的夏普为-0.96[82] - 胜率：组3的胜率为52.3%，日胜率为53.1%[4][82] - 盈亏比：组3的盈亏比为1.04[4][82] - 最大回撤：组3的最大回撤为14.2%，基准为15.3%[4][82] - IC和IR：组3的IC值为0.1，IR值为0.75，显示因子质量很好且超额收益较稳健[86] --- 量化因子与构建方式 1. 因子名称：可转债量价因子 - 因子的构建思路：基于AlphaNetV3模型，通过对可转债的量价数据进行挖掘，构建选债因子[7][15] - 因子具体构建过程： 1. 特征池选择：包括开盘价、收盘价、最低价、最高价、交易量、交易额、转股溢价率等[25] 2. 特征提取：使用相关系数、协方差、标准差、z-score等函数提取特征，步进分别为10和5[19][71] 3. 因子分组：根据预测值大小分为10组，因子值越大（预测值越高）的组别数字越小[75] - 因子评价：因子在波动性较大的市场环境中表现较强，适合震荡牛市，结合多因子使用可增强组合稳定性[87] --- 因子的回测效果 1. 可转债量价因子 - 收益率：组3的样本外回测收益率为8.5%，超额收益率为19.9%，年化收益率为3.3%，年化超额为8.0%[4][82] - 贝塔：组3的贝塔为1.36[82] - 阿尔法：组3的阿尔法为0.11[82] - 夏普比率：组3的夏普为0.02[82] - 胜率：组3的胜率为52.3%，日胜率为53.1%[4][82] - 盈亏比：组3的盈亏比为1.04[4][82] - 最大回撤：组3的最大回撤为14.2%[4][82] - IC和IR：组3的IC值为0.1，IR值为0.75[86]