本文提出了一种基于因子的条件扩散模型,用于预测次日股票收益的横截面分布,并结合均值-方差优化构建投资组合。实证以中国A股市场为例,结果显示该方法在多项指标上显著优于经验和收缩估计方法,尤其在考虑交易成本的条件下通过优化带动权重波动平滑,实现更优组合表现,验证了生成模型在资产定价与投资组合优化中的有效性与创新性。
| 指标 | EW | Factordiff | Emp | ShrEmp |
|---|---|---|---|---|
| 未计交易费 | ||||
| 平均收益率(%) | 0.056 | 0.133 | 0.096 | 0.098 |
| 年化波动率(%) | 1.313 | 1.155 | 0.957 | 0.962 |
| 夏普比率 | 0.043 | 0.116 | 0.100 | 0.102 |
| 计入交易费 | ||||
| 平均收益率(%) | 0.055 | 0.077 | 0.094 | 0.096 |
| 年化波动率(%) | 1.313 | 1.154 | 0.957 | 0.962 |
| 夏普比率 | 0.042 | 0.067 | 0.098 | 0.100 |
| 指标 | EW | Factordiff(100) | Factordiff(500) | Factordiff(1000) | Emp | ShrEmp |
|---|---|---|---|---|---|---|
| 平均收益率(%) | 0.055 | 0.100 | 0.123 | 0.138 | 0.095 | 0.099 |
| 年化波动率(%) | 1.313 | 1.151 | 1.172 | 1.188 | 0.983 | 0.999 |
| 夏普比率 | 0.042 | 0.087 | 0.105 | 0.116 | 0.096 | 0.099 |
标题: Factor-Based Conditional Diffusion Model for Portfolio Optimization
作者: Xuefeng Gao, Mengying He, Xuedong He
发布时间: 2025年9月29日
研究主题: 面向组合优化的基于因子条件扩散模型,应用于中国A股市场
本报告提出了一种创新的条件扩散模型,旨在通过学习基于资产特定因子的跨资产当日股票收益率的条件分布,辅助构建更优的投资组合。模型基于近期先进的Diffusion Transformer架构,采用基于Token的条件机制,将每个资产的收益率与自身因子向量直接关联,同时捕捉资产间的相关依赖。通过生成下一日收益分布的样本,结合现实约束执行每日均值-方差组合优化。实证中,该模型在中国A股市场的表现显著优于基准的经验估计和收缩估计方法,强调了充分利用全分布信息在金融决策中的价值 ,1]。
关键论点: 利用条件扩散模型结合资产特有的因子信息,生成跨资产未来一日收益率的完整分布,相较传统基于样本矩估计方法,能更准确地反映资产收益的不确定性与相关结构,从而提升组合优化效果。
逻辑与假设:
文献差异: 该工作与Chen et al.(2025)和Cetingoz & Lehalle(2025)两者不同,前者为无条件潜因子扩散模型主要用于降维,权重更新周期长;后者通过GAN模型以PCA提取隐含因子,关注再现数据统计特征和等权组合表现。报告中的模型则侧重于基于具体观测因子条件生成当前分布,实现每日组合权重更新并提升均值-方差效用,1]。
统计输入输出框架:
采取Ross的套利定价理论和Gu等人的资产定价框架,用因子矩阵( X_t )刻画股票跨资产特性,收益向量( R_{t+1} )满足:
[ R_{t+1} = f(X_t) + u_{t+1}, ]
其中函数( f )未明确且随机误差( u_{t+1} )独立于信息集,实际分布未知,通过模型训练学习条件分布( P(R_{t+1} | X_t) )。
扩散模型应用:
网络结构创新:
评估应用: 生成大量未来收益样本用于估计均值和协方差矩阵,直接输入均值-方差组合优化问题,联动风险厌恶参数进行权重分配。
数据设置与预处理:
无交易成本下的组合优化:
考虑交易费用下的现实组合优化:
| 指标 | EW | Factordiff | Emp | ShrEmp | EW (费用扣除) | Factordiff (费用扣除) | Emp (费用扣除) | ShrEmp (费用扣除) |
|---|---|---|---|---|---|---|---|---|
| 均值(%) | 0.056 | 0.133 | 0.096 | 0.098 | 0.055 | 0.077 | 0.094 | 0.096 |
| 波动率(%) | 1.313 | 1.155 | 0.957 | 0.962 | 1.313 | 1.154 | 0.957 | 0.962 |
| Sharpe | 0.043 | 0.116 | 0.100 | 0.102 | 0.042 | 0.067 | 0.098 | 0.100 |
| Sortino | 0.066 | 0.168 | 0.149 | 0.151 | 0.064 | 0.094 | 0.146 | 0.148 |
| Calmar | 0.004 | 0.011 | 0.011 | 0.011 | 0.004 | 0.006 | 0.011 | 0.011 |
| RtC | 0.021 | 0.049 | 0.044 | 0.045 | 0.021 | 0.028 | 0.044 | 0.044 |
| 指标 | EW | Factordiff (100) | Factordiff (500) | Factordiff (1000) | Emp | ShrEmp |
|---|---|---|---|---|---|---|
| 均值(%) | 0.055 | 0.100 | 0.123 | 0.138 | 0.095 | 0.099 |
| 波动率(%) | 1.313 | 1.151 | 1.172 | 1.188 | 0.983 | 0.999 |
| Sharpe | 0.042 | 0.087 | 0.105 | 0.116 | 0.096 | 0.099 |
| Sortino | 0.064 | 0.125 | 0.154 | 0.172 | 0.141 | 0.144 |
| Calmar | 0.004 | 0.008 | 0.010 | 0.011 | 0.011 | 0.010 |
| RtC | 0.021 | 0.036 | 0.045 | 0.049 | 0.042 | 0.043 |
报告的主要任务为投资组合优化与资产回报预测,估值部分非传统意义上的企业价值估算,而是围绕组合收益的均值和协方差矩阵估计来展开:
报告识别并讨论了以下风险因素:
交易费用风险:
模型复杂度与稳定性风险:
市场适用性风险:
报告通过引入交易费用优化模型形式,实施交易成本考量,部分缓解了交易成本风险,体现出实务执行的灵活调整。
本报告创新使用条件扩散模型,充分利用了生成式建模的能力,突破传统均值协方差矩估计不足,但存在以下需关注点:
模型假设严苛: 函数( f )及误差分布未知,完全依赖神经网络去逼近,模型泛化与稳定性存在一定不确定性;
交易费用处理方式: 虽引入交易费用且实证说明其影响,大幅提升事实意义,但模型可能仍未结合更复杂、动态的市场冲击成本或流动性风险;
策略执行风险: 高频权重调整在实际市场存在滑点、限价成交失败等操作风险,模型实际收益可能受限。
报告多次强调基于因子条件的“跨资产全分布”学习优势,但未充分探讨因子选择与动态调整对模型表现的边际贡献。
同时,Emp和ShrEmp方法的稳健性和简洁性未被明显质疑,但Factordiff模型的计算资源消耗、训练复杂度等工程化挑战未深入阐述。
数据覆盖时间较长,但需要警惕宏观环境变化(如2020疫情)对模型训练和测试一致性的潜在影响。
本报告系统提出并实证验证了一种基于资产因子条件的条件去噪扩散生成模型,通过生成股票跨资产未来一日的完整收益分布,并结合均值-方差组合优化,实现了比传统经验均值协方差估计和收缩调整方法更优的投资组合表现。报告贡献亮点包括:
创新性地将Diffusion Transformer与token级条件机制结合,以捕获资产异质性和资产间复杂相关结构,为金融时间序列生成带来突破;
通过丰富的采样实现对未来收益分布的完整表征,在无费用条件下获得最高的风险调整收益指标;
实际交易成本纳入模型后,设计更复杂的含费用联合优化问题,成功实现组合调仓频率的平滑控制,有效抑制因频繁交易带来的成本,挖掘了在现实市场中的实际投资价值;
通过详尽实证验证,覆盖了多个风险调整指标与多种策略比较,展示了模型在中国A股这一复杂市场环境下的广泛适用性和先进性。
表格清晰呈现了由于Factordiff生成的收益与风险估计的优越性,并通过图表直观展示了策略调整的时间动态特征和交易成本影响,证明了模型在投资决策实践中的应用潜力,4,5]。
总体上,报告展示了条件扩散模型在高维金融资产组合优化中的巨大潜力,为学术和实务提供了新的方向,尽管仍需关注现实市场操作约束和模型稳定性问题,但该研究为深度生成模型在金融领域的应用树立了重要的里程碑。
引用页码溯源: 本文所有论点和数据均明确标注页码,如,1]等,方便后续文本追溯与核验。
2509.22088.pdf