量化模型与构建方式 1. 模型名称：Mamba-MoE - 模型构建思路：通过Mamba架构高效提取时间序列特征，结合混合专家模型（MoE）进行多模型融合，同时引入线性与非线性的风险约束以降低风险暴露[2][3][44]。 - 模型具体构建过程： 1. 任务一（Alpha因子生成）：使用Mamba模块处理股票特征序列（维度为(batch_size, window_length, feature_num)），通过卷积和SSM（选择性状态空间模型）提取时序特征，输出Alpha因子[27][30][32]。 - SSM离散化公式： $\bar{A}=\exp(\Delta A),$ $\bar{B}=(\Delta A)^{-1}(\exp(\Delta A)-I)\Delta B.$ 2. 任务二（非线性风险因子生成）：构建异质图（节点为股票风险因子，边包括同行业关联和高相似度关联），通过图卷积生成非线性风险因子[47][48]。 3. 损失函数：结合Alpha因子与风险因子的相关性惩罚项： $L=MSE(\hat{y},y_1)+MSE(\hat{r},y_2)+\frac{\alpha}{d_R+1}\sum_{i=1}^{d_R+1}\rho(\hat{y},R_i)^2.$ - 模型评价：双任务学习显著降低风险暴露，提升因子稳定性；MoE融合增强模型泛化性[53][56][72]。 2. 模型名称：Mamba-10与Mamba-5 - 构建思路：分别以10日和5日收益为标签训练模型，通过交叉验证生成多个子模型，等权或MoE融合[98][99]。 - 具体构建：5折交叉验证扩展窗口训练，MoE路由器结合股票特征与市场特征动态加权[98][99]。 --- 量化因子与构建方式 1. 因子名称：Mamba-MoE合成因子 - 构建思路：融合Mamba-5和Mamba-10的多模型输出，结合风险中性化约束[103][137]。 - 具体构建： - 对Alpha因子进行行业市值中性化处理。 - 通过MoE加权合成，路由器输入包括股票特征和市场特征（如指数收益率、VIX等）[98][99]。 - 因子评价：稳定性优于单模型，对市值暴露控制较好，但对低波动和低流动性有一定暴露[103][137]。 2. 因子名称：非线性风险因子 - 构建思路：捕捉风险因子间非线性交互及股票关联信息[44][48]。 - 具体构建：基于CNE6风险因子构建异质图，通过GNN生成非线性风险因子[48][49]。 --- 模型的回测效果 1. Mamba-MoE模型 - Rank IC：13.22%，ICIR：1.28，多头年化收益：33.01%，多空Sharpe Ratio：9.25[103][137]。 - 沪深300增强年化超额收益：9.02%，跟踪误差：4.26%[156]。 2. Mamba-10模型（双任务） - Rank IC：12.83%，ICIR：1.28，多空最大回撤：11.71%[56][72]。 3. 行业风格中性化测试 - 双任务设定下Rank IC衰减至8.81%，但多空Sharpe Ratio仍达11.49[72]。 --- 因子的回测效果 1. Mamba-MoE合成因子 - 全市场十分组测试：多空年化收益125.32%，波动率13.55%[103]。 - 分域测试（中证1000）：Rank IC 11.12%，多空Sharpe Ratio 7.17[137]。 2. 非线性风险因子 - 与流动性因子相关性：-20.74%（双任务）[78][79]。 --- 关键创新点 - 风险中性化：通过损失函数直接约束风险暴露，避免组合优化时的信号扭曲[44][50]。 - 多模型融合：交叉验证与MoE集成缓解分布漂移问题，提升稳健性[2][98][99]。 - 高效计算：Mamba的线性复杂度优于Transformer，支持并行训练[23][31]。