报告提出了以深度学习时序模型为因子单元,包括RESTCN(基于残差TCN卷积)和Transformer模型,结合LightGBM加权策略,构建AI量价选股策略。多模型融合后10日RankIC提升至16.5%,top组合年化超45%,且在不同换手率下均实现正收益,表现出显著的选股效果和稳健的风险控制能力。
| 模型 | 5日无间隔RankIC | 10日无间隔RankIC | 20日无间隔RankIC | 10日间隔1日RankIC |
|---|---|---|---|---|
| GRU | 14.5% | 15.9% | 16.3% | 14.3% |
| AGRU | 14.5% | 16.0% | 16.6% | 14.3% |
| LSTM | 14.4% | 15.9% | 16.3% | 14.2% |
| RESTCN | 14.4% | 15.7% | 16.3% | 14.1% |
| Transformer | 14.6% | 16.1% | 16.7% | 14.4% |
| 整合方式 | 5日无间隔RankIC | 10日无间隔RankIC | 20日无间隔RankIC |
|---|---|---|---|
| RNN因子层面整合 (RNNv0) | 14.5% | 15.9% | 16.3% |
| RNN ZSCORE层面整合 (RNNv1) | 14.8% | 16.3% | 16.7% |
| RNN+RESTCN+Transformer因子层面整合 (RCTv0) | 14.6% | 16.0% | 16.4% |
| RNN+RESTCN+Transformer ZSCORE层面整合 (RCTv1) | 15.0% | 16.5% | 17.0% |
核心论点概述:
报告在先前已有的AI量价因子模型架构基础上,针对因子单元时间序列模型部分,融合了深度学习领域的先进方法——一维卷积网络(CNN,特别是RESTCN模型的一维残差时间卷积网络)与Transformer(引入time2vec时间编码的Transformer encoder结构),以期提取更多元且差异化的alpha因子,强于传统RNN模型(如GRU、LSTM)。
两种多模型整合方式中的zscore层面整合多模型效果明显优于因子层面整合。实验表明,结合RESTCN和Transformer模型,综合打分的10日RankIC平均达到16.5%,top组合年化收益达45.7%,且换手适度控制下收益稳健,可支持多种组合规模应用。
其中,因子单元是选股的核心模块,负责对时间序列式的量价数据建模,先前使用的模型为RNN系列(GRU、AGRU、LSTM)。
总结,RESTCN结合TCN的长短期信息建模优势与ResNet局部特征提取能力,Transformer利用强大注意力机制与time2vec实现高效时序学习,形成两种互补且表现优秀的因子单元结构。
数学解析表明,若单模型IC期望相等且彼此相关性一致,多模型之平均IC期望按相关系数调节有明确界限。此解释了为何同一模型多次训练平均能提升表现,以及多模型整合的理论基础。
图1(东方AI量价模型框架)
说明模型从底层多个频率的原始及衍生量价序列出发,经多个因子单元(神经网络模型)提取因子,最后动态加权,形成统一的选股打分,兼具长短期特征学习的优势。
图2(TCN模型架构)
展示因果卷积结构保证预防未来信息泄漏,空洞卷积增加感受野,残差结构辅助深层训练。
模型设计利于捕捉长短期时序信号。
图3(RESTCN网络结构)
RESTCN嵌入3层64通道一维卷积残差块于TCN底层,以增强本地量价特征提取能力。输出选取最后时间步集成信息,形成最终因子。
图4(Transformer因子单元架构)
结合time2vec时间编码任意时间信息编码,通过多头注意力及残差模块捕获复杂时序依赖,采用线性层对所有时间步输出做融合,充分利用序列全部信息。
图5(Transformer多头注意力结构)
详细绘制多头注意力计算流程,核心为Scaled Dot-Product Attention,融合多个注意力头,捕获复杂时间序列关联性。
图6-9(模型RankIC及Top组合收益)
各模型10日RankIC均在15%-16%稳定区间,Top组合收益表现均十分显著,赎回显示,RESTCN、Transformer性能并不逊色于RNN(且在某些指标略优)。
图10-11(模型得分相关系数)
反映了模型间及模型多次训练的得分稳定性和相关性,支持了多模型融合提升信息多样性的理论基础。
图12-15(多模型整合方案效果比较)
Zscore层面整合同因子层面整合的优势明确,且模型差异化(添加RESTCN/Transformer)提升整体RankIC及组合收益,强化模型融合策略合理性。
图16-21(TOP组合及增强组合业绩)
详细数据显示不同换手、不同组合规模下收益与回撤指标,结合换手灵活控制,验证了模型在实际交易条件下的良好应用价值和稳健性。
本报告主要为因子模型和策略构建的研究报告,不涉及直接的企业估值分析,故无估值模型与目标价。
风险提示:
报中未具体提供风险缓解方案建议,但通过动态加权及模型多样化整合方式间接提升稳健性。
本报告基于东方证券量价时序量化策略框架,深化了因子单元神经网络结构的多样化研究,通过引入RESTCN(基于增强型TCN与残差结构)与Transformer(基于time2vec时间编码的encoder结构)模型,成功实现对量价序列深度学习的多样化与增强。实验表明,这两种新模型在单模型选股效果方面与传统RNN不相上下,均表现出优异的10日RankIC水平(约16%),同时还可提供有益的信息差异。多模型融合策略上,报告创新性地对比因子层面与zscore层面两种整合方法,发现zscore层面整合能更有效地利用多模型信息,提升加权性能,最终带来综合RankIC提升至16.5%,并使top组合年化收益达到45.7%,表现稳健且换手适中时依旧优异。
在实际组合性能上,不论是TOP100、TOP300组合还是沪深300与中证500的增强组合,均实现了经历2017年以来多轮市场震荡考验的正收益和合理回撤水平,在换手灵活限制下兼顾收益与交易成本。图表数据细致展现了策略收益和风险指标,验证了模型实用价值。同时,报告强调了模型失效及市场极端风险,提示投资者需持续监控。
整体来看,报告体现了东方证券在利用深度学习先进技术提升量价因子挖掘及选股策略构建上的前沿探索,结合严谨的实证检验与多角度性能评估,为量化投资策略提供了坚实的研究基础和应用经验,具有较高的理论价值和实务指导意义。
因子选股系列之八十三:多模型学习量价时序特征.pdf