外业负恰骊屿: 50980520080004 会议议程 主持人 张欣慰 国信证券经济研究所所长助理、金融工程首席分析师 会议议程 | 13:30-14:00 · 稳健型选股策略探析 | | --- | | 张欣慰 国信证券金融工程首席分析师 | | 执业资格编码: 50980520060001 | | 14:00-14:30 · 启发式分域视角下的多策略增强组合 | | 张欣慰 国信证券金融工程首席分析师 | | 执业资格编码: S0980520060001 | | 14:30-15:00 · 日内特殊时刻蕴含的主力资金Alpha信息 | | 能 宇 国信证券金融工程联席首席分析师 | | th II, b th la m . concornooooo | 国信令工 2025年夏季量化沙龙(上海站) ) 时间: 8月13日(周三)13:30-17:00 地址:上海市浦东新区东方路778号金陵紫金山大酒店四楼紫玉A厅 15:00-15:30 · 风险模型全攻略 -- 恪守、衍进与实践 张 宇 国信证券金融工程联席首席分析师 执业资格编码: S0980520080004 |参会方式及风险提示 1、宏观经济风险; ...

核心观点 - 采用"时序+截面"基础架构设计五类差异化网络结构，模型间平均相关性仅55% [3] - 通过线性等权、树模型与专家网络三类加权方式集成数百个神经网络特征，综合因子自2019年以来5日IC均值13.3%，10日IC均值15.0%，多头组合超额收益49.0% [3] - 使用神经网络端到端学习直接从原始量价数据识别高维非线性风险模式，风险因子长期不暴露alpha且对截面收益解释能力强 [3] - 沪深300指数增强组合年化收益18.2%，超额收益14.2%；中证500增强年化收益22.4%，超额收益17.2%；中证1000增强年化收益29.8%，超额收益24.5% [3] 深度学习选股策略 - 从传统多因子模型的"逻辑驱动"转向"数据驱动"，通过深度学习挖掘高频数据非线性模式 [7] - 构建"原始数据→自动特征提取→因子合成"端到端框架，融合日度行情、分钟行情、手工特征等多模态数据 [7] - 采用差异化网络结构在单一数据集多次训练获取增量信息，通过多类别因子集成提升alpha信号稳健性 [8] - 使用神经网络端到端学习直接从量价数据识别风险模式，实现alpha模型和风险模型双重赋能 [9] - 采用长预测窗口和回看周期构建alpha信号，融合基本面信息减缓信号衰减，适配低换手交易模式 [10] 数据与网络架构 - 使用日度行情、分钟行情和手工特征三类数据集独立提取alpha特征 [11] - 日度行情预处理：价格数据对数变换为收益率，成交量/额通过序列均值标准化 [12][13] - 分钟行情采用与日行情一致预处理方案，保持日间价格连续性 [14][15] - 基础统计特征直接使用原始数据，选股因子采用截面z-score标准化 [16] - 网络结构融合LSTM（捕捉时序依赖）和GAT（建模截面关联），加入自注意力机制强化关键时点权重 [18][19][20] - 基础复合模型在时序网络和截面网络组合基础上构建5类差异化结构，模型间因子相关性均值60% [21][22][56] 模型训练与因子提取 - 采用滚动时间窗口训练策略，前七年数据训练，最近两年验证 [24] - 损失函数采用MSE加相关性正则项抑制特征冗余 [26] - 预测目标为股票未来Alpha收益，基于同类股票平均收益基准计算 [27] - 日度行情模型显示150日序列因子相比30日序列在2023年后未出现明显衰减 [30][32] - CNN-RNN-GAT模型通过卷积层聚合长序列信息，因子与RNN-GAT模型相关性62% [33][38] - RNN-GAT2模型调整邻接矩阵定义，因子与原始模型相关性62% [39][43] - 引入基本面信息的RNN-GAT2-Funda模型多头超额提升至39.1%，因子相关性降至55% [45][47] Alpha信号集成 - 10个模型生成640个信号，模型间平均相关性55% [66][68] - 等权集成因子5日IC均值12.9%，10日IC均值14.5%，多头超额42.7% [69][70] - 树模型加权采用3年训练窗口，集成信号5日IC均值11.7%，多头超额46.1% [73][74] - 神经网络加权采用TCN多专家架构，5日IC均值12.3%，多头超额44.9% [81][83] - 综合等权、树模型和网络模型信号，最终5日IC均值13.3%，10日IC均值15.0%，多头超额49.0% [84][86] 指数增强组合 - 沪深300增强年化超额14.2%，跟踪误差4.5%，信息比率2.84 [99][101] - 中证500增强年化超额17.2%，跟踪误差4.8%，信息比率3.16 [106][107] - 中证1000增强年化超额24.5%，跟踪误差5.4%，信息比率3.87 [111][113] - 组合构建约束单周换手上限10%，年单边换手率约5.5倍，成分股权重下限80% [93][95]

核心观点 - 2024年A股市场黑天鹅事件频发，公募指增产品超额收益普遍创历史最大回撤，极端尾部风险发生概率大幅提升[1][4][6] - 传统风险模型难以应对市场变化，需从显性风险扩展到隐性风险控制，包括制度风险、认知风险等[2][18][46] - 提出全流程风险控制框架：事前预防（认知风险控制+隐性风险识别）、事中控制（动态风格因子）、事后处理（自适应个股偏离）[60][63][129] - 实证显示引入全流程风控的中证500指增组合年化超额16.51%，最大回撤4.90%，显著优于传统模型的18.77%超额和9.68%回撤[3][5][61] 风险模型进化 - 从CAPM单因子发展到Barra多因子模型，再进化到隐式因子模型（Latent Factor）[19][21] - 显性风险包括市场风险（如港股配置不足导致2025年跑输）、行业风险（如银行权重差异影响红利指数表现）、风格风险（如市值因子剧烈波动）[24][31][38] - 隐性风险具有动态性，如2019-2020年"茅指数"行情中公募重仓风格风险、不同涨跌停板限制导致的制度风险[47][53][59] 全流程风控方法 事前预防 - 启发式风格划分：通过股价回归识别真实风格，解决因子打分法与市场认知偏差问题，如长江电力被误判为成长股[64][71][74] - 个股收益聚类：采用Louvain算法根据120日超额收益相关性聚类，识别传统行业分类无法捕捉的关联性（如新能源概念股集群）[98][101][106] 事中控制 - 动态风格因子控制：针对波动率聚集效应，对滚动3个月波动率前3名或超过均值+1倍标准差的因子（如2024年Beta/市值/动量因子）严格零暴露[110][113][118] 事后处理 - 自适应个股偏离：根据滚动3个月跟踪误差动态调整个股权重偏离幅度，避免市场波动放大时跟踪误差失控[129][131][133] 市场异常事件 - 2024年三次重大回撤：春节前小微盘流动性危机（万得微盘股跌49.63%）、10月成长/价值因子双杀、2025年2月TMT板块暴涨导致基本面因子回调[11][67][83] - 黑天鹅指数显示2024年极端交易日占比达38%，远超正态分布预期，如20240207日非线性规模因子偏离达15.57倍标准差[14][15][17]

量化模型与因子总结 量化模型 1. 基于启发式风格划分的认知风险控制模型 模型构建思路：通过结合启发式方法和因子打分法识别市场认知与个体认知差异，控制认知风险[4][15] 模型具体构建过程： 1) 采用时间序列回归划分个股风格： $$r_{t,t}\sim\beta_{\mathit{Value}}\cdot r_{\mathit{Value},t}+\beta_{\mathit{Growth}}\cdot r_{\mathit{Growth},t}+\varepsilon_{t}$$ 约束条件： $$0\leq\beta_{\mathit{Value}}\leq1$$ $$0\leq\beta_{\mathit{Growth}}\leq1$$ $$\beta_{\mathit{Value}}+\beta_{\mathit{Growth}}=1$$ 2) 计算行业风险贡献： $$RiskContribution_{i}=w_{i}\times{\frac{\partial\sigma_{p}}{\partial w_{i}}}=w_{i}\times{\frac{\sum_{j=1}^{n}w_{i}\cdot Cov\left(r_{i},r_{j}\right)}{\sigma_{p}}}$$ 3) 对高风险行业中的认知差异个股偏离置为0[4][15][81] 2. 基于个股收益聚类的隐性风险识别模型 模型构建思路：采用Louvain社区发现算法对个股超额收益相关性进行聚类，识别传统风险模型无法捕捉的隐性风险[4][15][117] 模型具体构建过程： 1) 计算个股超额收益相关性矩阵 2) 应用Louvain算法最大化模块度进行聚类 3) 对近期走势趋同的股票聚类结果进行风险控制[117] 3. 动态风格因子控制模型 模型构建思路：针对风格因子波动率聚集现象，对近期波动率排名靠前、波动率显著放大的风格因子进行严格控制[4][15][81] 模型具体构建过程： 1) 计算风格因子滚动3个月收益率年化波动率 2) 识别波动率显著放大的风格因子 3) 在组合优化中约束高波动风格因子暴露[27][28] 4. 目标跟踪误差下的自适应个股偏离模型 模型构建思路：根据过去跟踪误差动态调整个股偏离幅度[4][15][81] 模型具体构建过程： 1) 计算组合相对基准的滚动3个月跟踪误差 2) 当跟踪误差超过阈值时自动缩小个股偏离 3) 形成跟踪误差-偏离幅度的动态调整机制[31][32] 量化因子 1. 黑天鹅指数因子 因子构建思路：通过风格因子收益率偏离度衡量市场极端程度[24][25] 因子具体构建过程： 1) 计算风格因子日度收益率偏离度： $$\sigma_{s,t}=\frac{\bar{r}_{s,t}-\bar{r}_{s}}{\sigma_{s}}$$ 2) 计算黑天鹅指数： $$BlackSwan_{t}=\frac{1}{N}\times\sum_{s\in S}\left|\sigma_{s,t}\right|$$ 因子评价：有效捕捉市场极端风险事件[24][25] 2. 成长价值风格因子 因子构建思路：综合估值和成长指标构建风格因子[82][83] 因子具体构建过程： 1) 价值因子包含股息率、BP、EPTTM、OCFPTTM四个子因子，权重各1/4 2) 成长因子包含DeltaROEQ、NPQYOY、SUE、AOG四个子因子，权重各1/4[82][83] 因子评价：传统因子打分法可能无法完全捕捉市场实际交易风格[88][93] 模型回测效果 1. 传统中证500指数增强组合 年化超额收益18.77%，相对最大回撤9.68%，信息比3.56，收益回撤比1.94，年化跟踪误差4.88%[5][16] 2. 引入全流程风控的中证500指数增强组合 年化超额收益16.51%，相对最大回撤4.90%，信息比3.94，收益回撤比3.37，年化跟踪误差3.98%[5][16]

市场波动与风险模型 - 2025年4月全球金融市场波动水平与2010年闪电崩盘、2011年欧债危机、2016年及2024年亚洲股市抛售潮相当[1] - 4月3日至4日连续两天回报率达-10.5%，此类极端事件发生概率低于五百万分之一，类似情况曾出现在新冠疫情期间及1987年市场崩盘[3] - 英国脱欧、亚洲金融危机、美国关税等宏观事件推动市场从稳定期转向持续动荡期[3] 风险模型比较 - 正态模型（125天半衰期）与肥尾短期收益模型（45天半衰期）在99%置信度下的风险价值差值动态变化显著[11] - 肥尾模型对近期市场数据权重更高，在市场波动加剧时差值上升；市场平稳时差值可能为负[11] - 2025年3月5日差值开始增长，3月9日转正，4月中旬达峰值，早于4月市场骤跌[15] 行业表现差异 - 消费者服务、配送服务、医疗服务等行业肥尾模型差值更早反映波动上升，而耐用消费品、电子技术等行业反应滞后[20] - 消费者服务行业回报呈肥尾分布，肥尾模型提前捕捉波动；耐用品行业回报接近正态分布，两种模型表现相近[24][28] - 4月3日所有行业肥尾模型差值均显示红色（波动最高），但部分行业提前预警[20] 模型应用价值 - FactSet肥尾模型在不同波动阶段均具较强预测能力，可提供资产配置战略洞察[3] - 非正态分布行业采用肥尾模型能更快跟进市场变化，正态分布行业两种模型效果相当[28] - 指数层面回报分布明显偏离正态分布，肥尾模型更贴合实际风险特征[28][29]