量化模型与构建方式 单颗粒度模型 - 模型名称：单颗粒度模型 - 模型构建思路：使用单一频率的量价特征（如日度、小时级、30分钟级）作为输入，训练深度学习模型，评估不同频率特征的因子有效性[11][12] - 模型具体构建过程： 1. 构建不同频率的量价特征（如日度、60分钟、30分钟） 2. 使用相同的网络结构和超参数训练模型 3. 评估因子的Rank IC、ICIR、多头超额收益等指标[11][12] - 模型评价：日度特征的因子表现整体优于高频特征，但高频特征在部分年份中表现更优，说明高频特征仍有增量信息[13][14] 多颗粒度模型 - 模型名称：多颗粒度模型 - 模型构建思路：融合不同频率的特征信息，通过两种方式实现：混合输入和输出集成[15][16] - 模型具体构建过程： 1. 混合输入：将不同颗粒度的特征作为输入，通过独立的GRU提取序列信息，合并GRU输出后通过MLP生成最终输出[15] 2. 输出集成：分别训练每个颗粒度的特征，生成对标签的预测，最终通过简单平均等方式集成不同颗粒度的输出[15] - 模型评价：多颗粒度模型相比单颗粒度模型在Rank IC和年化多头超额收益上均有显著提升，输出集成方式效果最佳[16][17][18] 双向AGRU多颗粒度模型 - 模型名称：双向AGRU多颗粒度模型 - 模型构建思路：在传统GRU基础上引入注意力机制，并改为双向结构，分别按顺序和逆序学习特征序列，缓解信息遗忘问题[22][24] - 模型具体构建过程： 1. 引入注意力机制，对历史隐含状态进行加权[23] 2. 将GRU从单向改为双向，分别提取顺序和逆序的特征信息[24] 3. 使用双向AGRU训练多颗粒度模型，评估其选股能力[27][30] - 模型评价：双向AGRU显著提升了Rank IC、ICIR和多头超额收益，表现全面而稳定[27][33][36] 多颗粒度残差学习网络 - 模型名称：多颗粒度残差学习网络 - 模型构建思路：通过残差剔除不同颗粒度特征的冗余信息，仅保留特有信息，并集成各颗粒度的预测[46][47] - 模型具体构建过程： 1. 将多个相同模块叠加，每个模块单独处理一个颗粒度的数据 2. 从第二个模块起，通过残差剔除前一颗粒度已包含的信息 3. 使用线性变换对齐特征维度，计算残差 4. 集成各颗粒度的预测，生成最终输出 5. 损失函数包括MSE、重构损失项和L2正则项，公式如下： ${\mathcal{L}}=\sum_{i=1}^{N}||y^{i}-{\hat{y}}^{i}||^{2}+\lambda_{1}\sum_{i=1}^{N}{\mathcal{L}}_{R e c}+{\frac{\lambda_{\theta}}{2}}||\theta||_{F}^{2}$[47][50] - 模型评价：未展现显著优势，整体表现弱于输出集成模型，可能与超参数选择有关[51][53] --- 模型的回测效果 单颗粒度模型 - 指标值： - Rank IC：日度0.118，60分钟0.116，30分钟0.119（5日标签）[12] - ICIR：日度7.54，60分钟7.35，30分钟7.56（5日标签）[12] - Top10%组合年化超额收益（费前）：日度30.3%，60分钟27.1%，30分钟28.7%（5日标签）[12] 多颗粒度模型 - 指标值： - Rank IC：混合输入0.121，输出集成0.122，输出集成1 0.123（5日标签）[17] - ICIR：混合输入7.83，输出集成7.63，输出集成1 7.71（5日标签）[32] - Top10%组合年化超额收益（费前）：混合输入30.8%，输出集成30.6%，输出集成1 31.4%（5日标签）[32] 双向AGRU多颗粒度模型 - 指标值： - Rank IC：混合输入0.125，输出集成0.126，输出集成1 0.127（5日标签）[32] - ICIR：混合输入8.09，输出集成7.87，输出集成1 7.88（5日标签）[32] - Top10%组合年化超额收益（费前）：混合输入34.5%，输出集成33.6%，输出集成1 34.2%（5日标签）[32] 多颗粒度残差学习网络 - 指标值： - Rank IC：日度0.118，30分钟0.119，输出集成0.123[48] - ICIR：日度7.54，30分钟7.56，输出集成7.71[48] - Top10%组合年化超额收益（费前）：日度30.3%，30分钟28.7%，输出集成31.4%[48] --- AI指数增强组合的回测效果 中证500 AI增强组合 - 指标值： - 年化超额收益（无成分股约束）：15%-20%（2017-2023.07）[57] - YTD超额收益（无成分股约束）：10%-16%（2023）[57] - 年化超额收益（80%成分股权重约束）：10%-15%（2017-2023.07）[61] - YTD超额收益（80%成分股权重约束）：7%-12%（2023）[61] 中证1000 AI增强组合 - 指标值： - 年化超额收益（无成分股约束）：25%-30%（2017-2023.07）[65] - YTD超额收益（无成分股约束）：15%-18%（2023）[65] - 年化超额收益（80%成分股权重约束）：22%-28%（2017-2023.07）[66] - YTD超额收益（80%成分股权重约束）：11%-16%（2023）[66]