量化模型与因子总结 量化模型与构建方式 1. 模型名称：DL_EM_Dynamic 模型构建思路：采用矩阵分解算法从基金选股网络中提取股票内在属性，结合LSTM生成的因子表示，构建动态市场状态因子[20] 模型具体构建过程： - 从基金年报/半年报持仓数据构建基金-股票网络 - 使用矩阵分解提取基金和股票的内在属性矩阵 - 将静态属性与LSTM时序因子拼接 - 计算个股属性与市场风格相似度转化为动态属性 - 共同输入MLP网络生成最终因子[20][21] 模型评价：通过动态捕捉市场风格偏好，增强模型表现稳定性[20] 2. 模型名称：Meta_RiskControl 模型构建思路：在深度学习模型中加入因子暴露控制，结合元增量学习框架快速适应市场变化[28] 模型具体构建过程： - 模型输出乘以股票因子暴露作为最终output - 损失函数中加入风格偏离惩罚项： $Loss = IC + \lambda_1 \cdot StyleDeviation + \lambda_2 \cdot StyleMomentum$ - 底层采用ALSTM模型并加入风格输入 - 外层应用元增量学习框架定期更新[28][29] 模型评价：有效控制模型回撤，降低风格波动风险[28] 3. 模型名称：Meta_Master 模型构建思路：利用市场状态信息改进Transformer模型，结合深度风险模型和元增量学习[40] 模型具体构建过程： - 使用宽基指数量价数据刻画市场状态 - 构建120维市场风格特征(近期强势股风格) - 采用加权MSE损失函数放大头部预测误差 - 应用在线元增量学习定期更新模型[40][41] 模型评价：相比传统Transformer模型获得显著提升[40] 4. 模型名称：深度学习可转债因子 模型构建思路：利用GRU网络学习可转债非线性定价逻辑，结合时序因子和截面属性[54] 模型具体构建过程： - 采用GRU网络处理可转债量价时序数据 - 引入转股溢价率等特有时序因子 - 拼接信用评级等截面属性特征 - 预测未来收益构建策略[54][55] 模型评价：相比传统可转债策略获得显著收益提升[54] 模型的回测效果 1. DL_EM_Dynamic模型 - 中证1000 RankIC 25%[1] - 中证1000超额收益6.6%(3月)[1] - 年化收益29.7%，年化超额23.4%[24] - IR 2.03，最大回撤-10.1%[24] 2. Meta_RiskControl模型 - 全A RankIC 20.8%[1] - 沪深300/500/1000超额收益3.3%/4.1%/7.1%(3月)[2] - 沪深300年化超额15.0%，IR 1.58[33] - 中证500年化超额19.2%，IR 1.97[35] - 中证1000年化超额27.0%，IR 2.36[38] 3. Meta_Master模型 - 全A RankIC 17.7%[1] - 沪深300/500/1000超额收益2.7%/3.0%/3.2%(3月)[3] - 沪深300年化超额17.5%，IR 2.09[44] - 中证500年化超额18.2%，IR 1.9[50] - 中证1000年化超额25.2%，IR 2.33[53] 4. 深度学习可转债因子 - 偏债/平衡/偏股型RankIC 10.5%/3.2%/3%[3] - 偏债型top50年化收益12.7%[56] - 平衡型top50年化收益11.8%[56] - 偏股型top50年化收益13.2%[56]