本文基于CvxpyLayers,将组合优化嵌入神经网络框架,实现量化投资全流程的端到端优化。研究包括三种凸优化案例(Softmax函数、风险预算模型、马科维茨模型)及代码,重点构建了基于风险预算的因子模型和端到端LSTM模型,对国内外资产配置进行了实证测试。结果显示,两个基于CvxpyLayers的模型在不同资产配置均优于传统风险平价模型,且通过对资产偏配权重和超额收益来源的分析,揭示了模型有效的成因 。
| 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 |
| FactorModel2 | 4.98% | 3.17% | 1.57 | -4.01% | 1.24 | 39.00 |
| LSTMModel2 | 5.02% | 3.14% | 1.60 | -4.09% | 1.23 | 38.02 |
| 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 | 2.70 | -2.88% | 1.48 | 18.43 |
| FactorModel2 | 4.55% | 1.85% | 2.46 | -2.94% | 1.55 | 21.94 |
| LSTMModel2 | 4.56% | 2.09% | 2.19 | -3.89% | 1.17 | 24.47 |
报告开篇定义量化投资流程为三大步骤:因子生成、多因子合成及组合优化,指出传统组合优化由于不可导,无法实现端到端优化,导致信息损耗和模型非整体最优。引入CvxpyLayers作为突破口,允许将凸优化问题作为神经网络层嵌入,实现梯度可传播,支持组合优化直接参与神经网络训练,3]。
基于经典马科维茨模型的参数式表达:
[ \min_{\mathbf{w}} \lambda \mathbf{w}^T \Sigma \mathbf{w} - \boldsymbol\mu^T \mathbf{w} ]
带有等式和不等式约束的凸优化问题,传统做法通过固定预期收益μ,且λ参数通常采用遍历选取,且优化层独立,无法实现端到端梯度求导。
CvxpyLayers提供的技术框架基于规范参数化规划(DPP)和仿射-求解器-仿射(ASA)格式,将凸优化问题分解为可微仿射映射,使得求解结果相对于参数的梯度可求,集成到主流深度学习框架(PyTorch、TensorFlow等)(图表2)。
案例一:Softmax函数的凸优化表达
经典神经网络中Softmax函数定义输出权重向量:
[ f(x)_j = \frac{e^{x_j}}{\sum_i e^{x_i}} ]
可转化为带熵正则项的凸优化问题:
[ \min_{w} -x^T w - H(w) ]
约束为w为概率分布(非负且和为1)。报告给出拉格朗日乘子法证明该优化问题的KKT条件与Softmax解析解一致,验证等价性。同时提供了基于CvxpyLayers实现带权重上限约束的代码示例,方便对投资权重设限,贴合实际需求。
案例二:风险预算模型的凸优化转换
原始风险预算模型目标为:
[ \min_w \sum_i \left( \frac{w_i (\Sigma w)_i}{w^T \Sigma w} - b_i \right)^2 ]
其中bi为风险预算权重,该问题非凸,难以直接嵌入神经网络。报告基于拉格朗日方法引入变量y:
[ \min_y \sqrt{y^T \Sigma y}, \quad \text{s.t. } \sum_i b_i \ln y_i \geq c ]
归一化后wi=yi/∑iyi,通过证明,等价于原风险预算问题,成功将复杂非凸问题转为可嵌入的凸优化问题。代码示例说明具体用法和框架调用。
案例三:马科维茨模型嵌入
基于标准马科维茨目标函数,CvxpyLayers可实现参数化求解,支持灵活调节风险厌恶系数等超参数,支持复杂多约束,多输出形式。代码示例演示了如何定义参数、变量、约束和目标,结合深度学习框架。
因子模型FactorModel:
输入为人工构造的55个价量因子,通过两层全连接网络(第一层LeakyReLU,第二层Softmax+HardTanh裁剪风险预算上下限),将隐藏输出映射为风险预算权重,随后通过CvxpyLayers层进行风险预算凸优化,输出资产权重;整个过程端到端训练,损失函数为负的累计组合收益,使用Adam优化器训练,设置提前停止,训练细节详见图表10与11。
端到端模型LSTMModel:
输入直接为过去30日5个资产的日收益率,经过单层LSTM层提取特征,输出55因子到后续相同的两层全连接结构,最终同样接入风险预算凸优化层,端到端训练。模型架构及训练参数详见图表12与13。
本报告核心并非传统的股票估值,而是将组合优化问题纳入深度学习链条,实现端到端学习。估值的核心指标为优化后资产组合收益最大化及风险预算合理配置。利用CvxpyLayers中凸优化问题的求解,参数包括风险预算上下限、协方差矩阵、收益预期(隐含通过预测目标构造)、风险厌恶参数(如有动态调节)。所述优化目标明确围绕资产组合收益和风险预算展开,实质上是对传统的资产权重计算公式的神经网络端到端参数化赋能,10-12]。
本报告全面探讨了将传统组合优化内嵌于神经网络的技术框架,通过CvxpyLayers解决凸优化可微求导问题,实现了量化投资因子生成、多因子合成到组合优化的全流程端到端训练。三个核心凸优化案例(Softmax函数、风险预算模型、马科维茨模型)的理论证明及代码实现,为技术推广提供了系统工具支撑。
实证上,采用因子模型FactorModel与端到端模型LSTMModel,在国内外具有代表性的大类资产池构建风险预算组合,连续滚动训练并调仓,均显著超过风险平价基准,年化收益率提升稳定,夏普比率与最大回撤表现均优,体现出神经网络驱动组合优化的实用价值。模型超额收益的主要贡献资产明确,国外市场以标普500与贵金属,国内市场则以中证500及SGE黄金9999为主。
多张图表系统揭示了模型结构、训练参数、资产权重动态、风险预算波动及回测净值变化趋势,佐证了理论创新向实务应用的成功转化。报告对CvxpyLayers技术原理及实现细节进行了深入介绍,展示了其打通神经网络计算与传统优化算法的关键突破,有望推动量化投资模型质的提升。
然需关注的是本方法依赖于较强数学假设与历史数据规律稳定性,神经网络方法本身随机性带来的不确定性、缺乏完备因果解释等问题,要求实际应用时须谨慎,结合多维指标与风险管理把控。未来可探索更广泛因子集成、更复杂约束情形,以及动态风险参数调控的实证性能和理论保障。
综上,华泰证券本报告成功构建并验证了基于神经网络的端到端组合优化框架,创新性地融合了凸优化与深度学习技术,为量化投资策略发展开辟新路径,具备较大研究价值与潜在应用前景。
【本报告所有引用数据、图表均来自报告正文页面,规范引证页码分别注明。】
人工智能52:神经网络组合优化初探.pdf