本报告系统介绍了将组合优化嵌入神经网络构建端到端量化投资框架的探索,重点应用了斯坦福大学开发的CvxpyLayers工具。报告通过三大凸优化案例—including Softmax函数、风险预算模型及马科维茨模型—详细证明与示例代码展示,实现了凸优化层对组合权重的动态求导。基于CvxpyLayers,构建因子模型FactorModel与端到端LSTMModel,实证覆盖国内外及国内资产配置,均优于风险平价基准模型,且用风险预算上下限限制增强稳定性。LSTMModel的超额收益主要来源于关键资产的偏配,如标普500和彭博贵金属指数。
| 资产名称 | 代码 | 年化收益率 | 年化波动率 | 夏普比率 |
|---|---|---|---|---|
| 沪深300 | 000300.SH | 7.05% | 25.81% | 0.27 |
| 标普500 | SPX.GI | 7.49% | 19.54% | 0.38 |
| 中债-国债总财富指数 | CBA00601.CS | 3.81% | 2.81% | 1.35 |
| CBOT10年期美国国债 | TY.CBT | 1.14% | 6.28% | 0.18 |
| 彭博贵金属子指数 | BCOMPR | 7.61% | 20.35% | 0.37 |
| 模型 | 年化收益率 | 年化波动率 | 夏普比率 | 最大回撤 | Calmar比率 | 总换手率 |
|---|---|---|---|---|---|---|
| 风险平价 | 2.76% | 4.90% | 1.69 | -4.49% | 1.04 | 33.54 |
| FactorModel1 | 4.65% | 3.17% | 1.64 | -4.11% | 1.19 | 36.59 |
| FactorModel2 | 4.98% | 3.29% | 1.57 | -4.01% | 1.24 | 39.00 |
| FactorModel3 | 4.86% | 3.29% | 1.48 | -4.34% | 1.12 | 39.07 |
| 模型 | 年化收益率 | 年化波动率 | 夏普比率 | 最大回撤 | Calmar比率 | 总换手率 |
|---|---|---|---|---|---|---|
| 风险平价 | 4.65% | 2.76% | 1.69 | -4.49% | 1.04 | 33.54 |
| LSTMModel1 | 4.91% | 2.98% | 1.65 | -4.08% | 1.20 | 36.57 |
| LSTMModel2 | 5.02% | 3.14% | 1.60 | -4.09% | 1.23 | 38.02 |
| LSTMModel3 | 4.79% | 3.14% | 1.52 | -4.36% | 1.10 | 37.57 |
| 资产 | 平均偏配权重 | 超额收益贡献 |
|---|---|---|
| 沪深300 | 0.86% | -0.48% |
| 标普500 | 1.95% | 3.66% |
| 中债-国债总财富指数 | -3.47% | -0.56% |
| CBOT10年期美国国债 | -1.00% | -0.11% |
| 彭博贵金属子指数 | 1.65% | 1.74% |
| 模型 | 年化收益率 | 年化波动率 | 夏普比率 | 最大回撤 | Calmar比率 | 总换手率 |
|---|---|---|---|---|---|---|
| 风险平价 | 1.59% | 2.70 | -2.88% | 1.48 | 18.43 | |
| FactorModel1 | 4.28% | 1.66% | 2.71 | -2.62% | 1.72 | 18.88 |
| FactorModel2 | 4.55% | 1.85% | 2.46 | -2.94% | 1.55 | 21.94 |
| 模型 | 年化收益率 | 年化波动率 | 夏普比率 | 最大回撤 | Calmar比率 | 总换手率 |
|---|---|---|---|---|---|---|
| 风险平价 | 4.28% | 1.59% | 2.70 | -2.88% | 1.48 | 18.43 |
| LSTMModel1 | 4.49% | 1.88% | 2.40 | -2.97% | 1.51 | 21.91 |
| LSTMModel2 | 4.56% | 2.09% | 2.19 | -3.89% | 1.17 | 24.47 |
| 资产 | 平均偏配权重 | 超额收益贡献 |
|---|---|---|
| 沪深300 | 0.03% | 0.79% |
| 中证500 | 1.73% | 5.13% |
| 中债-国债总财富(1-3年)指数 | -6.58% | -1.85% |
| 中债-国债总财富(7-10年)指数 | 3.51% | 0.71% |
| SGE黄金9999 | 1.32% | 1.56% |
报告标题:《人工智能 52:神经网络组合优化初探》
发布机构:华泰研究,华泰证券股份有限公司
发布日期:2022年1月9日
研究员:林晓明、李子钰、何康
报告主题:基于神经网络的组合优化,特别是CvxpyLayers工具在量化投资资产组合优化中的应用
该份深度研究报告延续了华泰金工团队在量化投资领域中应用人工智能技术的研究传统,重点关注如何将“组合优化”这一经典投资组合管理流程中的关键步骤,通过神经网络技术进行端到端建模,实现信息的无缝连接和优化过程的梯度传播。报告核心论点包括:
整体来看,报告为量化投资中的组合优化引入深度学习技术,探索了一条端到端优化新路径,推动量化投资在智能化、自动化方向上的技术进步。,3,21]
报告开篇点明量化投资流程三大关键步骤:因子生成、多因子合成、组合优化。深度学习技术擅长处理端到端优化,可促进因子挖掘与合成环节整合,目前“组合优化”通常独立进行,难以与特征提取整合。借助CvxpyLayers(由斯坦福大学凸优化研究组开发),将凸优化作为神经网络层嵌入,实现“组合优化”步骤的微分和端到端优化,目标函数直接聚焦组合收益或其他关键投资指标,从数据输出到权重分配闭环优化。
图表1直观展现了传统因子流程与基于神经网络端到端模型的区别,突出本报告聚焦点——在神经网络架构中嵌入组合优化层由凸优化构建的CvxpyLayers层,形成统一优化管道。,3]
以经典均值-方差模型为例,说明传统组合优化基于给定参数(预期收益μ、风险厌恶系数λ)独立求解,不支持梯度传播,难以端到端训练。主要局限:
该限制实质是传统凸优化无法嵌入神经网络作为可微分层体现。
介绍了CvxpyLayers工作原理:基于DPP规范参数化规划和ASA格式,将凸优化问题转换为可微映射,能够计算优化解对输入参数的梯度,从而实现端到端训练。平台兼容PyTorch、TensorFlow和JAX,构建神经网络时可像其它网络层调用优化层。图表2展示了框架和接口整合机制,突显其工程落地能力。,5]
构建两个基于CvxpyLayers风险预算资产配置模型:
训练测试设计:
实证结果:
总结指出:
报告本质为方法论和模型构建应用示范,并未涉及传统意义上的公司估值或股票价格目标,未包括常见的DCF、市盈率分析等。其估值层面可视为对基于风险预算的组合优化模型价值的内核测试,呈现为资产配置组合未来收益提升的潜力体现。
报告特别强调:
报告系统地介绍了基于CvxpyLayers的神经网络组合优化框架,将传统资产配置的因子生成、多因子合成与组合优化实现端到端融合,极大突破了传统凸组合优化不可微分的限制。通过三个数学证明,确保Softmax函数及风险预算模型的优化形式准确等价,保障优化层的理论严密。
构建的两套风险预算模型FactorModel和LSTMModel,分别基于人工因子和端到端原始收益率数据,在国内外及国内资产配置测试中表现均显著优于风险平价基准,年化收益率和夏普比率提升明显,最大回撤控制良好。LSTMModel自动化的数据处理与特征提取能力展示了深度学习在量化投资中的广阔应用前景。
超额收益归因分析进一步揭示了各资产偏配路径,深刻反映了模型决策逻辑和有效资产配置策略。附带代码示例极大方便了业界复现与应用,助力后续研究推广。
报告同时明确指出神经网络模型的局限性与风险,警示投资者在实际应用时要结合专业判断和风险管理。
综上,该报告提供了一个完整、创新且理论支撑强的量化投资端到端建模框架范式,对金融量化、人工智能研究、资产配置管理均有重要借鉴价值。
以上为报告的详尽解读与剖析,涵盖关键论点、逻辑推理、财务数据解读、图表分析、模型设计说明及风险评估,配合对应页码,方便效果溯源及后续引用。
金工深度研究:人工智能52 神经网络组合优化初探.pdf