量化模型与构建方式 1. 模型名称：RNN+Neural ODE+MLP融合模型 模型构建思路：通过RNN进行时序数据压缩和降维，利用Neural ODE学习时序演化规律重构数据，最后通过MLP捕捉alpha信息以提升选股鲁棒性[3][6]。 模型具体构建过程： - Encoder层（RNN）：对时序数据降维和特征提取。 - Decoder层（Neural Jump SDE）：拟合时序数据的微分动力系统，重构数据。公式： $\left\{\begin{array}{l}dx(t)=v(x(t),t)dt+\sigma(x(t),t)dB(t),t\in[0,T]\\ \hat{y}=F(x(T))\\ x(0)=\hat{x}\end{array}\right.$ 其中$v$和$\sigma$为全连接层加激活函数构成[22][26]。 - MLP层：对重构数据提取特征预测收益率。损失函数包括重构损失、KL散度和MSE损失： $\alpha\log(p(x|\theta))+\beta\operatorname{KL}(N(\mu,e x p(\sigma/2))||N(0,\delta I))+(\hat{\sigma}-y)^{2}$[31][32] 模型评价：通过数据重构降低噪声影响，提升样本外泛化能力[3][34]。 2. 模型名称：Baseline模型（ABCM模型） 模型构建思路：基于神经网络的alpha和beta因子协同挖掘，生成选股因子[37]。 模型评价：作为对比基准，新模型在多头超额和抗风险能力上显著优于Baseline[39][43]。 3. 衍生模型： - Model1：Neural ODE生成因子与Baseline因子等权组合[42]。 - Model2：Neural SDE生成因子与Baseline因子等权组合[42]。 - Model3：Model1因子剥离短期风险后的残差因子[42]。 --- 量化因子与构建方式 1. 因子名称：Model1因子 因子构建思路：基于RNN+Neural ODE+MLP模型生成的alpha因子，通过数据重构增强稳定性[6][26]。 因子评价：多头超额显著提升，换手率降低，抗极端市场能力更强[39][43]。 2. 因子名称：行业轮动因子 因子构建思路：将选股因子按行业流通市值加权聚合，生成行业得分[50][51]。 因子评价：Model1因子行业RankIC达12.55%，Top组年化超额25.27%，优于Baseline[52][53]。 --- 模型的回测效果 1. RNN+Neural ODE+MLP模型（Model1）： - RankIC均值：16.33%（中证全指）[39] - Top组年化超额：54.54%[39] - 最大回撤：-6.63%（2024年）[43] - 换手率：59.73%（较Baseline下降）[39] 2. Baseline模型： - RankIC均值：16.39%[39] - Top组年化超额：52.63%[39] - 最大回撤：-5.25%[43] 3. 行业轮动表现： - Model1因子：RankIC 12.55%，Top组超额25.27%[52] - Baseline因子：RankIC 12.20%，Top组超额23.05%[52] --- 因子的回测效果 1. 指数增强策略： - 沪深300指增：Model1年化超额16.67%，夏普比率3.14[65]。 - 中证500指增：Model1年化超额21.37%，夏普比率3.21[72]。 - 中证1000指增：Model1年化超额32.41%，夏普比率4.37[80]。 2. Top组合绝对收益： - Model1：年化收益43.80%，最大回撤-40.84%[59]。 - Baseline：年化收益40.15%，最大回撤-42.41%[59]。 --- 关键公式总结 1. Neural SDE前向传播： $\left\{\begin{array}{l}dx(t)=v(x(t),t)dt+\sigma(x(t),t)dB(t)\\ \hat{y}=F(x(T))\\ x(0)=\hat{x}\end{array}\right.$[22] 2. 总损失函数： $\alpha\log(p(x|\theta))+\beta\operatorname{KL}(N(\mu,e x p(\sigma/2))||N(0,\delta I))+(\hat{\sigma}-y)^{2}$[32]