量化模型与构建方式 1. **模型名称：RNN 1.0 模型 (Alpha 因子单元挖掘模型)** * **模型构建思路**：将选股问题建模为监督学习任务，通过最小化模型预测与个股收益率标签之间的均方误差（MSE）来产生选股因子[6]。该模型假设个股收益率可拆解为 Alpha 信息和系统性风险信息[7]。 * **模型具体构建过程**：在模型训练前，对收益率标签进行人工风险中性化处理，例如对市值、行业、动量等常见风险因子进行截面回归或分组中性化，以分离 Alpha 与风险[8]。模型训练的目标是最小化预测残差的 MSE。个股收益率拆解公式为： $$r_{t}=alpha_{t}+\varepsilon_{t}$$ 其中，$r_{t}$ 表示个股收益率，$alpha_{t}$ 表示 Alpha 信息，$\varepsilon_{t}$ 表示噪声[7]。 * **模型评价**：该方法依赖于先验的风险模型，风险界定模糊，在市场风格突变时容易失效[13][14]。 2. **模型名称：ABCM 2.0 模型 (Alpha 与风险的二元挖掘模型)** * **模型构建思路**：将个股收益率进一步拆解为可预测的 Alpha 成分、可解释的风险成分以及噪声成分，通过不同的训练目标让模型自动识别 Alpha 和风险信息[15][16]。 * **模型具体构建过程**：个股收益率拆解为： $$r_{t}=alpha_{t}+risk_{t}+\varepsilon_{t}$$ 其中，$r_{t}$ 表示个股收益率，$alpha_{t}$ 表示可预测的广义 Alpha 成分，$risk_{t}$ 表示不可预测但可解释的风险成分，$\varepsilon_{t}$ 表示噪声[15]。 模型构建时，分别通过 MSE 损失函数和 R-square 损失函数来刻画 Alpha 和风险因子。RankIC 均值高且能贡献 R-square 的成分被吸收进 Alpha 因子；RankIC 均值接近 0 但 R-square 较高的成分被吸收进风险因子[16]。 3. **模型名称：StyleNet 3.0 模型 (Alpha 与风格的挖掘模型)** * **模型构建思路**：在 Alpha 与风险之间引入“风格”成分，认为存在一类具有截面解释力但选股能力不稳定、方向在特定条件下可被预测的“风格因子”[19][20]。模型通过拟合一批风格因子，并对其方向和权重进行预测，将风格因子转化为 Alpha 成分[22]。 * **模型具体构建过程**： 1. **核心公式**：将广义 Alpha 成分细化为： $$alpha=\alpha+\sum_{i}\beta^{i}\lambda^{i}$$ 其中，$\alpha$ 表示个股特质性收益率成分，$\beta^{i}$ 表示股票在第 $i$ 个风格因子上的暴露值，$\lambda^{i}$ 表示第 $i$ 个风格因子的未来收益率（假设可预测）[21][23]。 2. **网络结构**：将个股时序特征输入 RNN 提取截面特征 $h$[26]。 3. **学习 Alpha 与风格暴露**：通过两个 MLP 网络 $f_{\alpha}$ 和 $f_{\beta}$ 学习 $\alpha(x,\theta)$ 和 $\beta_{i}(x,\theta)$[27]： $$\alpha(x,\theta)=f_{\alpha}(h),\beta_{i}(x,\theta)=f_{\beta}(h)$$ 4. **构建风格收益率**：通过另一个 MLP 网络 $f_{\lambda}$ 度量个股对风格的影响程度，使用 ReLU 激活函数进行尾部剔除，归一化后形成风格因子多头组合的权重向量 $w$，与未来标准化收益率 $r$ 加权求和得到风格收益率 $\lambda_{i}(x,\theta)$[28]： $$\lambda_{i}(x,\theta)=\sum_{batch}\frac{ReLU(f_{\lambda}(h))*r}{\sum_{batch}ReLU(f_{\lambda}(h))}$$ 5. **预测风格收益率**：训练一个风格收益率预测器 $\gamma_{i}(x,\theta)$ 来逼近使用未来信息的 $\lambda_{i}(x,\theta)$。该预测器基于 attention 机制，计算个股表示向量 $h$ 与风格表示向量 $e_i$ 的相似度，对信息向量加权求和[29][30]： $$\gamma_{i}(x,\theta)=f_{\gamma}(Sim(w_{k}h,e_{i})w_{v}h)$$ 6. **损失函数**：总损失函数由个股收益率预测损失和风格收益率预测损失加权组成[31]： $$\left\|\alpha(x,\theta)+\sum_{i}\beta_{i}\left(x,\theta\right)\lambda_{i}(x,\theta)-r\right\|+\lambda\|\lambda_{i}(x,\theta)-\gamma_{i}(x,\theta)\|$$ 7. **样本外预测**：最终样本外个股收益率预测值为[31]： $$alpha=\alpha(x,\theta)+\sum_{i}\beta_{i}\left(x,\theta\right)\gamma_{i}(x,\theta)$$ * **模型评价**：能够更细致地捕捉市场的风格和行业信息，对市场风格切换的灵敏度更高[44][88]。 量化因子与构建方式 1. **因子名称：RNN 因子** * **因子构建思路**：由 RNN 1.0 模型产生，旨在捕捉纯净的 Alpha 信号[6][7]。 2. **因子名称：ABCM 因子** * **因子构建思路**：由 ABCM 2.0 模型产生，旨在分离出可预测的 Alpha 成分[15][16]。 3. **因子名称：StyleNet 因子** * **因子构建思路**：由 StyleNet 3.0 模型产生，旨在通过捕捉风格轮动信息来获取 Alpha 收益[20][22]。 * **因子评价**：与 RNN 和 ABCM 因子相关性较低，能提供增量信息；对市场风格切换更敏感，在风格突变的市场环境下表现更稳健[39][44][51]。 4. **因子名称：RNN+ABCM 因子** * **因子构建思路**：将 RNN 因子和 ABCM 因子加权合成得到的复合因子[42]。 5. **因子名称：合成因子** * **因子构建思路**：将 RNN、ABCM 和 StyleNet 三个因子加权合成得到的复合因子[42][51]。 模型的回测效果 *(注：报告主要提供了因子的回测效果，未单独列出各模型（如RNN 1.0, ABCM 2.0, StyleNet 3.0）的直接回测绩效指标。绩效指标均对应其产生的因子。)* 因子的回测效果 *(回测区间：20171229~20260324，中证全指多头组合，周度调仓)[35]* 1. **StyleNet 因子**，RankIC 10.44%，ICIR 0.88，RankIC胜率 85.35%，多头超额年化 37.03%，最大回撤 -13.38%，换手率 63.83%[43] 2. **ABCM 因子**，RankIC 12.27%，ICIR 1.11，RankIC胜率 85.86%，多头超额年化 44.03%，最大回撤 -13.32%，换手率 65.74%[43] 3. **RNN+ABCM 因子**，RankIC 15.37%，ICIR 1.32，RankIC胜率 91.92%，多头超额年化 43.58%，最大回撤 -19.45%，换手率 60.29%[43] 4. **合成因子**，RankIC 15.51%，ICIR 1.32，RankIC胜率 92.93%，多头超额年化 49.42%，最大回撤 -17.99%，换手率 58.68%[43] 因子在指数增强策略中的表现 *(回测区间：20171229~20260324，组合周频调仓，有交易成本与约束条件)[54]* 1. **沪深300指增** * **StyleNet 因子**，年化超额 13.20%，年化波动率 4.97%，信息比率(IR) 2.52，胜率 66.98%，最大回撤 -9.30%[52] * **RNN+ABCM 因子**，年化超额 14.88%，年化波动率 4.85%，信息比率(IR) 2.88，胜率 67.91%，最大回撤 -8.25%[52] * **合成因子**，年化超额 15.09%，年化波动率 4.89%，信息比率(IR) 2.90，胜率 69.07%，最大回撤 -7.01%[52] 2. **中证500指增** * **StyleNet 因子**，年化超额 17.76%，年化波动率 5.84%，信息比率(IR) 2.83，胜率 66.51%，最大回撤 -7.24%[58] * **RNN+ABCM 因子**，年化超额 18.68%，年化波动率 6.20%，信息比率(IR) 2.80，胜率 69.53%，最大回撤 -11.13%[58] * **合成因子**，年化超额 17.83%，年化波动率 6.27%，信息比率(IR) 2.65，胜率 69.07%，最大回撤 -10.83%[58] 3. **中证1000指增** * **StyleNet 因子**，年化超额 24.56%，年化波动率 6.08%，信息比率(IR) 3.65，胜率 69.30%，最大回撤 -6.95%[72] * **RNN+ABCM 因子**，年化超额 26.55%，年化波动率 6.61%，信息比率(IR) 3.60，胜率 72.33%，最大回撤 -11.90%[72] * **合成因子**，年化超额 27.98%，年化波动率 6.44%，信息比率(IR) 3.86，胜率 72.79%，最大回撤 -10.93%[72] 因子在行业轮动策略中的表现 *(回测区间：20171229~20260324，Top5行业等权，周度调仓，不考虑交易费用)[77]* 1. **StyleNet 因子**，RankIC 7.39%，ICIR 0.25，RankIC胜率 61.81%，多头超额年化 16.44%，多头绝对年化收益 21.19%，最大回撤 -9.43%[78] 2. **ABCM 因子**，RankIC 9.39%，ICIR 0.32，RankIC胜率 63.25%，多头超额年化 16.50%，多头绝对年化收益 20.93%，最大回撤 -12.17%[78] 3. **RNN+ABCM 因子**，RankIC 10.39%，ICIR 0.34，RankIC胜率 63.72%，多头超额年化 19.68%，多头绝对年化收益 23.84%，最大回撤 -12.87%[78] 4. **合成因子**，RankIC 10.68%，ICIR 0.35，RankIC胜率 63.48%，多头超额年化 19.39%，多头绝对年化收益 23.83%，最大回撤 -13.78%[78]