量化模型与构建方式 1. 模型名称：ADWM（自适应动态因子加权模型） - 模型构建思路：设计端到端的两阶段模型，首先生成alpha因子和风险因子，然后通过状态门控机制动态加权alpha因子，以适应市场风格突变[2][13] - 模型具体构建过程： 1. 因子生成阶段：使用ABCM模型（基于神经网络的alpha和beta因子协同挖掘模型）生成风险因子和alpha因子。输入包括基本面因子和长周期Barra量价风险因子，通过RNN+图模型结构提取特征[17][19] 2. 因子加权阶段：通过状态门控机制（SGM）学习alpha因子的时变权重函数。权重函数输入为风险因子（含市场状态和个股属性信息），输出为动态权重。引入噪声TopK门控机制提升泛化能力[29][33] 3. 损失函数设计：包含预测MSE损失和Router z-loss正则项，后者约束权重分布接近均匀分布以防止数值不稳定[34][35] - 关键公式： - 门控权重计算：$\lambda_k(s)=Softmax(FFN(s))$[30] - 噪声TopK门控：$\lambda_k(s)=\text{TopK}(\text{Noisy}(FFN(s)))$[33] - 总损失函数：$\mathcal{L}_{\text{loss}}=MSE(\hat{r},y)+\lambda_1\mathcal{L}_{RZ}(s)$[35] - 模型评价：通过长周期学习稳定alpha信息，同时利用动态加权适应市场变化，相比短周期加权模型（如Model2）在风格突变时回撤更小[13][47] 2. 模型名称：ABCM（alpha和beta因子协同挖掘模型） - 模型构建思路：通过非对称图结构（ASTGNN）同步生成alpha因子（预测收益率方向）和风险因子（解释收益率绝对值）[17][19] - 模型具体构建过程： 1. 网络结构：alpha因子部分使用全连接层，风险因子部分使用ASTGNN结构，通过滚动平滑保证风险因子自相关性[19] 2. 损失函数：结合MSE损失（alpha因子）、Rsquare损失（风险因子）和因子自相关惩罚项： $Loss=MSE(F_{:K},y_1)+Rsquare(F,y_2)+\lambda\|corr(F,F)\|$[19] $Rsquare(F,y_2)=1-\frac{\||y_2-F(F^TF)^{-1}F^Ty_2\||^2}{\||y_2\||^2}$[19] 3. 排序学习：引入RankNet损失函数优化股票相对排序： $C_{i,j}=-\bar{P}_{i,j}\log P_{i,j}-(1-\bar{P}_{i,j})\log(1-P_{i,j})$[23] - 模型评价：能同时捕捉特质收益和系统性风险信息，生成因子在行业轮动中表现突出（如Model2行业RankIC达9%）[5][63] 3. 衍生模型（Model1-Model5） - Model1：基准模型，基于ASTGNN因子挖掘框架的调整版[39] - Model2：ABCM生成的风险因子短周期加权合成，侧重风格轮动[39][47] - Model3：ABCM生成的alpha因子通过ADWM长周期加权，风格暴露稳定（如小市值、低波）[39][55] - Model4：ABCM所有因子参与短周期加权，选股能力提升（中证全指RankIC 16.34%）[40][43] - Model5：Model3与Model4因子加权融合，平衡稳定性和轮动能力[41][89] --- 模型的回测效果 1. 中证全指表现（20171229-20241231） - Model4：RankIC 16.34%，ICIR 1.65，Top组年化超额54.03%，最大回撤-5.70%[43] - Model5：RankIC 16.56%，ICIR 1.65，Top组年化超额52.69%，最大回撤-5.67%[43] - Model2：年化多头超额46.40%，但2024年回撤达-16.44%（风格切换敏感）[43][47] 2. 宽基指数表现 - 沪深300：Model5表现最佳，RankIC 11.58%，Top组超额32.07%[49] - 中证500：Model4 RankIC 12.07%，年化超额27.09%[49] - 中证1000：Model5 RankIC 15.26%，年化超额41.23%[49] 3. 行业轮动表现 - Model5：行业RankIC 12.45%，ICIR 0.42，年化超额28.44%[63] - Model2：行业RankIC 9.00%，但选股RankIC仅12.89%，显示alpha信息主要来自行业轮动[63][47] 4. 指数增强组合 - 沪深300增强：Model5年化超额9.42%（2024年）[69] - 中证1000增强：Model4年化超额32.13%（2018-2024）[82] --- 量化因子与构建方式 1. 因子名称：ABCM生成的风险因子与alpha因子 - 构建思路：通过非对称图结构ASTGNN提取风险因子，全连接网络提取alpha因子[17][19] - 具体构建： - 风险因子平滑：$F_{K_i}=W_3(H+H[-1]+H[-2])$，H为历史风险因子滚动矩阵[19] - 因子正交化：通过Rsquare损失函数最小化风险因子与收益率的残差[19] 2. 因子名称：动态加权合成因子 - 构建思路：结合长周期alpha因子（Model3）与短周期轮动因子（Model2）[41] - 具体构建：按固定比例加权Model3和Model4因子得分[89] --- 因子的回测效果 1. 风格暴露分析 - Model3：小市值（-10.12%）、低波（-25.35%）、低估值（18.66%）暴露显著[55] - Model2：与Barra风格相关性最低（如Size -3.45%），轮动特性突出[55][61] 2. 因子相关性 - Model2与Model3因子相关性仅60.44%，显示长周期alpha与轮动alpha互补[62] - Model4与Model5相关性达99.62%，融合后信息重叠度高[62] （注：部分测试结果因文档截断未完整列出，如分钟线数据集处理细节[10]）