量化模型与构建方式 1.模型名称：ANS对抗噪声交易优化器 模型构建思路：将行为金融学中的累积前景理论融入组合优化过程，通过三阶段优化实现基于对抗机制的组合优化决策[1][2] 模型具体构建过程： 1) 原始投资组合权重输出：与传统优化器类似，但去掉换手率约束以避免路径依赖[38] 2) 非理性投资组合权重输出： - 使用累积前景理论构建非理性效用函数： $U^{c p t}(w)=f_{\pi_{+}}(\phi_{+}(\mathrm{u}_{+}(R w)))-f_{\pi_{-}}(\phi_{-}(\mathrm{u}_{-}(R w)))$[44] - 采用MM算法求解非凸优化问题[47] 3) 对抗投资组合权重输出：通过构造持仓变动实现反向交易行为修正[50] 4) 理性投资组合权重输出：引入多任务学习，将目标权重与对抗组合的L1范数距离作为目标函数： $\max \sum_i w_i r_i - \lambda\|w-w^a\|_1$[51] 模型评价：作为"即插即用"的灵活组件，可适配任意Alpha因子，在保持传统组合优化优势的同时实现权重自适应调整[2][35] 2.模型名称：TK因子模型 模型构建思路：基于累积前景理论构建非理性因子，刻画非理性交易者行为[24] 模型具体构建过程： 1) 使用股票过去60个月的月频收益率作为收益分布替代 2) 计算每支股票的原始TK价值： $T K\equiv\sum_{i=-m}^{-1}v(r_i)\left[w^{-}\left(\frac{i+m+1}{60}\right)-w^{-}\left(\frac{i+m}{60}\right)\right]+\sum_{i=1}^{n}v(r_i)\left[w^{+}\left(\frac{n-i+1}{60}\right)-w^{+}\left(\frac{n-i}{60}\right)\right]$[24] 3) 引入衰减系数改进： $\begin{array}{l}{{\mathrm{TK}\equiv\sum_{i=-m}^{-1}\rho^{t(i)}v(r_i)\left[w^{-}\left(\frac{i+m+1}{60}\right)-w^{-}\left(\frac{i+m}{60}\right)\right]}}\\ {{\qquad+\sum_{i=1}^{n}\rho^{t(i)}v(r_i)\left[w^{+}\left(\frac{n-i+1}{60}\right)-w^{+}\left(\frac{n-i}{60}\right)\right]}}\end{array}$[25] 因子评价：在头尾两端具有很强的区分度，但整体预测性能不足，分层效果不明显[29][32] 模型的回测效果 1.ANS优化器模型 - 中证500指增：年化超额收益11.00%，超额最大回撤9.84%，IR 1.74[67][68] - 中证1000指增：年化超额收益18.26%，超额最大回撤10.36%，IR 2.43[72][73] 2.TK因子模型 - IC值：-1.18%，RankIC：-1.65%[30] - Top层收益：-7.77%，Bottom层收益：6.46%[30] - 多空收益：-7.12%，Top层IR：-1.81，Bottom层IR：-0.33[30] 量化因子与构建方式 1.因子名称：GRU量价因子 因子的构建思路：作为基础Alpha因子用于对比实验[55] 2.因子名称：负向TK因子 因子的构建思路：将GRU预测因子与负向TK因子按9:1比例加权融合[60] 3.因子名称：TK风格因子 因子的构建思路：将TK值作为一种风格，添加相对基准指数的负向暴露约束[60]