量化模型与构建方式 1. 模型名称:ABCM(Alpha-Beta Co-mining)模型 - 模型构建思路:通过神经网络协同挖掘alpha因子和beta因子,解决传统Barra风险模型在中高频策略中的局限性,提升风险因子对未来收益率的解释能力[2][29][36] - 模型具体构建过程: 1. 收益率分解公式: 其中,为特质性收益率,为市场和风格等宏观因素影响的收益率,为噪声[29][30] 2. 模型结构: - Alpha因子部分:通过全连接层拟合,损失函数为MSE(均方误差)[30][32] - 风险因子部分:通过ASTGNN(非对称图结构)拟合,损失函数为Rsquare,公式为: 其中,为生成因子矩阵,为收益率标签[32][33] - 损失函数综合设计: 其中,为alpha因子,为风险因子,为超参数[26][32] 3. 数据集: - 数据集1:日频K线数据(高开低收、VWAP、换手率等)[35] - 数据集2:月频K线数据(加入长周期基本面因子)[35] 4. 模型版本: - ABCM1:仅使用数据集1生成12个风险因子和alpha因子[36] - ABCM2:结合数据集1和2,分别生成12个和8个风险因子后合并[36] - 模型评价:ABCM模型通过神经网络生成的风险因子和alpha因子在解释未来收益率和获取超额收益方面显著优于传统Barra模型,且因子信息独立性较强[44][48][95] --- 模型的回测效果 1. 风险因子表现 - 指标取值: - 数据集1生成的风险因子: - RankIC:最高3.17%,最低0.03% - Abs(RankIC):最高17.92%,最低7.96% - ICIR:最高0.26,最低0 - RankIC胜率:最高63.64%,最低50.27% - 自相关系数:最高97.20%,最低72.52%[40] - 数据集2生成的风险因子: - RankIC:最高2.99%,最低0.31% - Abs(RankIC):最高15.11%,最低8.10% - ICIR:最高0.29,最低0.03 - RankIC胜率:最高61.00%,最低49.73% - 自相关系数:最高97.14%,最低91.88%[41] - 对比Barra模型的Rsquare表现: - ABCM2:沪深300为47.02%,中证500为34.28%,全市场为20.53% - ABCM1:沪深300为43.90%,中证500为31.92%,全市场为20.08% - Barra:沪深300为41.97%,中证500为29.86%,全市场为17.82%[48] 2. Alpha因子表现 - 指标取值: - 数据集1生成的alpha因子: - RankIC:12.69% - ICIR:0.96 - RankIC胜率:86.63% - Top组年化超额:34.51% - 最大回撤:-11.36%[49] - 数据集2生成的alpha因子: - RankIC:11.09% - ICIR:0.90 - RankIC胜率:83.42% - Top组年化超额:26.57% - 最大回撤:-20.68%[49] - 合成因子: - RankIC:13.54% - ICIR:1.03 - RankIC胜率:87.70% - Top组年化超额:36.55% - 最大回撤:-14.90%[49] - 对比已有AI量价模型的增量: - 中证全指:RankIC提升至16.39%,多头年化超额提升至52.63% - 中证500:RankIC提升至11.94%,多头年化超额提升至26.46% - 中证1000:RankIC提升至14.94%,多头年化超额提升至39.61%[95] 3. 指数增强表现 - 中证500增强组合: - 信息比率:Barra为2.79,ABCM1为3.06,ABCM2为3.30 - 年化收益:Barra为18.21%,ABCM1为19.45%,ABCM2为20.32% - 最大回撤:Barra为-9.65%,ABCM1为-8.20%,ABCM2为-7.63%[84] - 中证1000增强组合: - 信息比率:Barra为3.83,ABCM1为4.17,ABCM2为4.25 - 年化收益:Barra为26.43%,ABCM1为28.51%,ABCM2为28.02% - 最大回撤:Barra为-11.27%,ABCM1为-9.80%,ABCM2为-9.51%[88][90]
ABCM:基于神经网络的 alpha 因子和beta 因子协同挖掘模型
东方证券·2024-12-03 00:02