自適應時空圖網(wǎng)絡周頻alpha模型

目錄TOC\o"1-2"\h\z\u引言 4一、自應時圖循經網(wǎng)絡 5圖與圖神經網(wǎng)絡簡介 5自適應時空循環(huán)神經網(wǎng)絡介 6二、各據(jù)集因子析 7回測說明 7各數(shù)據(jù)集單因子績效分析 8各數(shù)據(jù)集單因子相關系分析 9三、各據(jù)集子非加權結分析 10中證全指上的表現(xiàn) 10各寬基指數(shù)上的表現(xiàn) 四、合因子數(shù)增合表現(xiàn) 12增強組合構建說明 12滬深300指數(shù)增強 12中證500指數(shù)增強 134.4中證1000指數(shù)增強 14五、結論 15風險提示 16參考文獻 17圖表目錄圖1：端到端AI量價模型框架 4圖2：權重圖示意圖 5圖3：自適應時空圖網(wǎng)絡結構 7圖4：各數(shù)據(jù)集生成因子匯總表現(xiàn)（回測期20170101~20231231） 8圖5：各數(shù)據(jù)集生成因子分組測試結果（回測期20170101~20231231） 8圖6：各數(shù)據(jù)集ASTGNN生成因子多頭凈值走勢（回測期20170101~20231231） 9圖7：各數(shù)據(jù)集生成因子相關系數(shù) 9圖8：中證全指選股匯總表現(xiàn)（回測期20180101~20231231） 10圖9：中證全指各年度選股表現(xiàn)（回測期20180101~20231231） 圖10：各寬基指數(shù)上選股表（回測期20180101~20231031） 圖滬深300指增組合分度超額收益率（截至20231231） 12圖12：滬深300指增組合匯結果（截至20231231） 13圖13：滬深300指增組合凈走勢（成分股80%限制，凈左軸，回撤右軸） 13圖14：中證500指增組合分度超額收益率（截至20231031） 13圖15：中證500指增組合匯結果（截至20231231） 14圖16：中證500指增組合凈走勢（成分股80%限制，凈左軸，回撤右軸） 14圖17：中證500指增組合凈走勢（成分股不限制，凈值左軸，回撤右軸） 14圖18：中證1000指增組合年度超額收益率（截至20231231） 14圖19：中證1000指增組合總結果（截至20231231） 15圖20：中證1000指增組合值走勢（成分股80%限制，值左軸，回撤右軸） 15圖21：中證1000指增組合值走勢（成分股不限制，凈值左軸，回撤右軸） 15引言隨著人工智能學科的快速發(fā)展，以神經網(wǎng)絡、決策樹為主的機器學習模型在量化領域大放異彩，前期報告《基于循環(huán)神經網(wǎng)絡的多頻率因子挖掘》、《基于殘差網(wǎng)絡端到端因子挖掘模型》、《基于抗噪的AI量價模型改進方案》中，我們利用循環(huán)神經網(wǎng)絡（RNN）、殘差網(wǎng)絡（ResNets）和決策樹模型搭建了端到端AI量價模型框架，這套框架的輸入是個股最原始的高開低收等，而最終的輸出則是具有較強選股能力的alpha因子。我們將其該框架生成的因子應用于選股策略?；販y結果顯示該策略在樣本外有著十分顯著的選股效果。這套AI量價模型框架主要是基于多個不同頻率數(shù)據(jù)集搭建的，這些數(shù)據(jù)集分別是周度（week）、日度（day）、分鐘線（ms）和Level-2（l2）數(shù)據(jù)集。其中周度和分鐘線數(shù)據(jù)集我們分別是將每五個交易日日K線和每日半小時K線形成矩陣數(shù)據(jù)，然后將這些矩陣通過ResNets提取出相應時間頻度的特征向量而形成的，而Level-2則是將原始數(shù)據(jù)通過人工合成成日頻因子的方式形成的。AI量價模型框架分為三個部分，數(shù)據(jù)預處理、提取因子單元、因子加權數(shù)據(jù)預處理括去極值標準化和補充缺失值三個步驟，而RNN一定選股能力的弱因子，因子加權則是利用決策樹對這些RNN權形成模型最終的個股得分，部分整個流程如下圖所示：圖1：端到端AI量價模型框架數(shù)據(jù)來源：東方證券研究所RNNA股市場相似股票（比如相同產業(yè)鏈、相同概念板塊）著一定程度的同漲同跌的同步效應，強勢個股也可能帶領整個概念板塊所有個股的上漲，因此捕RNN階段嵌入圖結構，來捕捉這種交互作用。一、自適應時空圖循環(huán)神經網(wǎng)絡圖是用來表示數(shù)據(jù)點之間關聯(lián)關系的一種結構。對于一個數(shù)據(jù)點集??={??1,??2,?,????}，這里??????個節(jié)點對應的特征，如果我們把這些點看做圖的一系列節(jié)點（node）??個節(jié)點稱??????，有關聯(lián)關系的頂點之間相互連接形成一系列邊（edge），給這些邊設置相應的權重并且把這些帶權重的邊構成的集合記作??????????,??其對應權重記為????,??（當圖是無向圖時顯然有????,??=），則我們可以構建一個權重圖??=(??,??)來表示這些圖上節(jié)點之間的關聯(lián)關系。當數(shù)據(jù)點數(shù)量趨于無窮大時，權重圖則能收斂于數(shù)據(jù)分布的底層流形。因而權重圖是刻畫數(shù)據(jù)分布以及數(shù)據(jù)間關聯(lián)關系的重要手段。圖2：權重圖示意圖數(shù)據(jù)來源：東方證券研究所特別的，如果我們用????????、??之間邊權重????,??越大則對應的表示????與之間距離越近，顯然所有節(jié)點的表示矩陣??={??1,??2,?,????}可以通過極小化以下能量函數(shù)進行求解：2min??∑????,??(?????????)??,????,?? ????=∑??????,????={????,??}????={????,??}??的??????graphLaplacian??1??=???????/?????????/??特征值和特征向量問題??????graphLaplacian。當采樣點個數(shù)趨于無窮大時，graphLaplacianLaplaceLaplacian??,?? graphLaplacian??，我們也可以定義圖卷積操作：???????=??????????????graphLaplacian矩陣特征向量構成的。如果我們把1階切比雪夫多項式進行逼近，則??[1]：??=(??+?????/?????????/??)????一個多層的圖卷積神經網(wǎng)絡結構則可表示為：????+??=??((??+?????/?????????/??)????????)這里????表示圖神經網(wǎng)絡第??層可學習的權重參數(shù)，????表示第??層輸入和第???1層輸出（????為圖神經網(wǎng)絡的輸入，即????=??），??(?)表示層之間的激活函數(shù)通常取ReLU(x)=max(x,0）?？梢钥吹綀D神經網(wǎng)絡通過將一個先驗的鄰接矩陣作為輸入，可以輔助模型有效的學習出空間域內數(shù)據(jù)點之間的關聯(lián)關系。傳統(tǒng)的圖神經網(wǎng)絡需要預定義用于圖卷積運算的鄰接矩陣??，現(xiàn)有方法主要是利用距離函數(shù)或者相似性度量來事先計算該矩陣，比如使用所屬行業(yè)、主營業(yè)務、基本面等等來衡量相似性，但是這些方法有著許多不合理因素：滯后性較高，比如基本面需要根據(jù)業(yè)績報告一個季度更新一次、所屬行業(yè)分類則更新頻率更低。因此對于中高頻策略往往實用性更低。主觀性較高，股票短期相似性可能受到所屬概念炒作的影響，因此股票相似性很可能體現(xiàn)在個股自身短期走勢上，所以預定義的鄰接矩陣往往不能包含有關個股完整信息的空間依賴性，而導致與所需預測的未來收益率沒有直接關系，最終使得鄰接矩陣對個股關聯(lián)關系的度量有著相當大的偏見。遷移性較差，考慮到樣本外可能出現(xiàn)訓練集和驗證集都不包含的新入池的股票，因此很難將訓練集學出的關聯(lián)關系延拓到這些股票身上?；谝陨辖嵌龋覀兪褂梦墨I[2]中數(shù)據(jù)驅動的方式通過數(shù)據(jù)自適應的學習節(jié)點間的內在隱藏關聯(lián)關系來獲取鄰接矩陣。其具體做法為，首先設置可學習的節(jié)點嵌入向量??，然后通過嵌入向量的相似度衡量節(jié)點間的關聯(lián)關系，如下所示：?????/?????????/??=??????????????(????????(??????))上式中我們使用激活函數(shù)ReLU對關聯(lián)矩陣進行稀疏化并剔除弱連接，而相似度度量矩陣我們使用??????的目的是為了使得該相似度度量矩陣至少為半正定矩陣，且對角元（衡量自身與自身的相似性）為正數(shù)，并且使用softmax函數(shù)直接對關聯(lián)矩陣進行歸一化得到?????/?????????/??，像其它自適應圖卷積模型一樣，本方法只學習出鄰接矩陣或者拉普拉斯矩陣，并沒有人為預先設定。此時，模型中的自適應圖卷積層可以表示為??=(??+??????????????(????????(??????)))????這里??表示數(shù)據(jù)特征矩陣，??表示自適應圖網(wǎng)絡的參數(shù)。[3]GRU和圖神經網(wǎng)絡在空間域上能夠有效的刻畫股票間交互關系的優(yōu)勢，將這兩者結合來解決預測股票收益率的排序預測問題。其具體做法是首先將個股對應的時間序列通過GRU的隱層作為輸入，通過一個自適應圖結構層進行空間上交互關系的信息的提取，從而做到同時學習時間信息和空間信息的目的。我們把這種同時學習時空信息的網(wǎng)絡結構稱之為自適應時空圖網(wǎng)絡（AdaptiveSpatio-TemporalGraphNeuralNetwork&ASTGNN），該網(wǎng)絡具體結構如下：圖3：自適應時空圖網(wǎng)絡結構數(shù)據(jù)來源：東方證券研究所我們還可以將先驗的鄰接矩陣信息嵌入到我們這套自適應時空圖網(wǎng)絡框架中，具體做法為損失函數(shù)加入圖臨近損失項（GraphProximityLoss）[4]，節(jié)點??的損失函數(shù)項可表示為：?????(i)=?∑??????(??(??????????))? ∑ ??????(???(??????????))??∈??(??) ??∈?????(??)??????GRU輸出的隱層，??(??)??鄰居節(jié)點構建的集合（該集合節(jié)點元素為先驗知識），??表示所有節(jié)點構建的集合，??表示sigmoidGRU[2]二、各數(shù)據(jù)集單因子分析第二、三章的回測結果中，各項指標計算方法如下所示：RankICRankICICIRRankIC序列均值除以序列標準差計算得到的。分組測試結果中，topbottom組對沖年化收益（2030050010005組），周度調倉，次日收盤價成交并且不考慮交易成本計算得到的。top額收益凈值計算得到的。AI對比來體現(xiàn)本模型的提升效果。GRUAI子，ASTGNN代表本報告生成因子。本節(jié)我們將對比week、day、ms、l2四個數(shù)據(jù)集分別通過ASTGNN和GRU模型直接生成因子在中證全指股票池上的選股效果。圖4：各數(shù)據(jù)集生成因子匯總表現(xiàn)（回測期20170101~20231231）ASTGNNweekdaymsl2RankIC14.22%13.47%14.14%12.05%ICIR1.331.361.321.13RankIC>0占比87.57%89.94%89.94%88.17%周均單邊換手62.41%72.62%60.20%58.04%Top組超額最大回撤-10.10%-5.64%-6.69%-4.97%GRUweekdaymsl2RankIC13.57%12.42%13.64%11.84%ICIR1.291.211.311.29RankIC>0占比89.94%89.35%88.17%89.35%周均單邊換手58.22%70.17%60.62%58.04%Top組超額最大回撤 -10.80% -11.17% -6.34% -8.96%數(shù)據(jù)來源：wind、上交所、深交所、東方證券研究所圖5：各數(shù)據(jù)集生成因子分組測試結果（回測期20170101~20231231）Grp1 29.56% 29.48% 30.01% 18.88% Grp1 29.56% 29.48% 30.01% 18.88% Grp1 29.90% 25.07% 26.93% 17.60%Grp2 25.00% 23.91% 24.06% 18.48% Grp2 23.59% 21.80% 23.92% 19.73%Grp3 20.12% 20.17% 21.33% 16.94% Grp3 17.93% 19.93% 20.96% 18.02%Grp4 19.39% 18.94% 20.54% 16.23% Grp4 19.94% 16.77% 20.18% 13.48%Grp5 18.57% 14.83% 17.11% 14.07% Grp5 17.13% 15.23% 17.10% 14.58%Grp6 12.93% 13.78% 12.18% 12.05% Grp6 14.96% 12.20% 14.59% 13.35%Grp7 11.40% 11.52% 10.26% 10.14% Grp7 11.90% 9.71% 11.40% 11.73%Grp8 10.50% 8.94% 10.06% 9.35% Grp8 9.22% 6.43% 9.06% 11.62%Grp9 8.68% 5.44% 8.84% 9.00% Grp9 7.63% 7.89% 8.29% 8.02%Grp10 5.27% 4.26% 8.42% 7.37% Grp10 5.67% 5.08% 7.06% 7.15%Grp11 3.77% 4.76% 3.51% 3.98% Grp11 2.71% 0.61% 4.31% 3.83%Grp12 -0.53% -0.33% 0.28% 3.05% Grp12 1.11% 0.76% 0.16% 0.97%Grp13 -2.62% -0.23% -3.37% -0.53% Grp13 -1.90% -1.84% -1.92% -0.92%Grp14 -5.20% -6.06% -5.57% -3.20% Grp14 -6.63% -3.27% -5.91% -1.66%Grp15 -10.00% -7.88% -6.79% -5.31% Grp15 -10.62% -7.74% -8.12% -6.18%Grp16 -14.56% -12.31% -14.09% -10.92% Grp16 -13.86% -9.31% -14.12% Grp17 -21.19% -17.92% -21.53% -18.23% Grp17 -20.49% -16.82% -19.60% Grp18 -31.49% -29.72% -31.25% -28.52% Grp18 -31.21% -28.14% -31.86% Bottom -59.35% -60.28% -60.69% -55.02% Bottom -58.04% -56.49% -59.39% week day ms l2weekdaymsl2Top 36.44%32.58%34.26%22.62%Top 34.29%%%%數(shù)據(jù)來源：wind、上交所、深交所、東方證券研究所圖6：各數(shù)據(jù)集ASTGNN生成因子多頭凈值走勢（回測期20170101~20231231）week day ms l21098765432102017/1/6 2018/1/6 2019/1/6 2020/1/6 2021/1/6 2022/1/6 2023/1/6數(shù)據(jù)來源：wind、上交所、深交所、東方證券研究所通過上述圖表結果，我們可以看出：week生成因子表現(xiàn)最好，RankICl2相對較好。dayl2ASTGNNGRURankICday上的提升效果更加明顯。這說明ASTGNN考慮空間截面上個股之間的交互關系，使得ASTGNNGRU挖掘信息更加充分。這一節(jié)我們繪制了ASTGNN及GRU在各個數(shù)據(jù)集上生成因子相關系數(shù)矩陣如下圖所示：圖7：各數(shù)據(jù)集生成因子相關系數(shù)GRUASTGNNweekdaymsl2weekday msl2week1.000.830.640.500.870.780.640.46GRUdayms0.831.000.740.570.770.910.750.540.640.741.000.610.670.760.950.59l20.500.570.611.000.480.540.620.86week0.870.770.670.481.000.810.660.46ASTGNNdayms0.780.910.760.540.811.000.750.530.640.750.950.620.660.751.000.61l20.460.540.590.860.460.530.611.00數(shù)據(jù)來源：wind、上交所、深交所、東方證券研究所上述結果我們可以看出：ASTGNNGRU85%~95%ASTGNNGRU掘出的個股關聯(lián)關系可能有所不同。三、各數(shù)據(jù)集因子非線性加權結果分析本章展示各數(shù)據(jù)集通過自適應時空圖網(wǎng)絡（ASTGNN）生成弱因子經過非線性加權方法后得到最終因子在中證全指、滬深300、中證500和中證1000四個股票池中的表現(xiàn)。首先，我們展示中證全指股票池上ASTGNN和GRU兩個模型生成因子在2018年以來和2020年以來的選股表現(xiàn)對比：圖8：中證全指選股匯總表現(xiàn)（回測期20180101~20231231）2018年以來 2020年以來ASTGNNASTGNNGRUASTGNNGRURankIC 15.67% 16.00% RankIC 13.85% 14.27%1.411.411.33ICIR1.521.48ICIRRankIC>0占比 93.79% 95.17% RankIC>0占比 91.67% 93.75%61.04%59.82%周均單邊換手62.57%61.55%周均單邊換手61.04%59.82%周均單邊換手62.57%61.55%周均單邊換手-4.72%-6.58%Top組超額最大回撤-4.72%-6.58%Top組超額最大回撤TopGrp1Grp2Grp3Grp4Grp5Grp6Grp7Grp8Grp9Grp10Grp11Grp12Grp13Grp14Grp15Grp16Grp17Grp18TopGrp1Grp2Grp3Grp4Grp5Grp6Grp7Grp8Grp9Grp10Grp11Grp12Grp13Grp14Grp15Grp16Grp17Grp18Bottom42.1936.83%30.65%27.08%23.44%21.98%18.24%12.88%9.55%7.08%8.20%0.89%-0.64%-2.84%-6.60%00%-18.43%-23.14%-34.20%-64.95%38.20%31.23%27.69%24.05%22.61%15.64%14.18%10.23%8.89%3.14%3.09%-1.06%-4.15%-6.92%-11.80%-17.30%-24.11%-34.72%-65.54%Grp1Grp2Grp3Grp4Grp5Grp6Grp7Grp8Grp9Grp10Grp11Grp12Grp13Grp14Grp15Grp16Grp17Grp18Bottom32.30%26.11%23.93%21.16%19.17%17.26%12.14%8.96%6.68%8.62%0.41%-0.26%-1.94%-5.34%-11.63%-15.86%-19.38-31.02-62.6833.98%27.50% 23.19%21.87%20.33%15.43%13.06%10.63%9.44%2.55%2.80%-1.93%-2.94%-6.20%-10.79%-15.85%%%%-20.88-30.26-63.38%%%%37.19%34.16Top%46.11%ASTGNNGRUASTGNNGRU數(shù)據(jù)來源：wind、上交所、深交所、東方證券研究所通過上述圖表結果我們可以看出：20182020RankIC、ICIR、RankIC>0占比等指標均顯著提升，最大回撤有顯著降低。這說明通過在因子挖掘階段嵌入圖結構確實GRU難以得到的信息。相較于基準模型，新模型周均單邊換手率有所上升，這可能和鄰接矩陣變化存在一定的關系，RNN部分挖掘的特征向量可能變化不大，但由于鄰接矩陣變化（該股票鄰居股票發(fā)生變化）導致兩期最終生成的弱因子差異性上升，最終使得換手率上升。下面我們將展示兩模型生成因子分年度的表現(xiàn)：圖9：中證全指各年度選股表現(xiàn)（回測期20180101~20231231）絕對收益201820192020202120222023GRU30.63%76.04%57.80%58.78%31.55%43.72%ASTGNN36.87%81.17%70.13%66.45%28.54%41.91%超額收益201820192020202120222023GRU88.12%35.86%32.74%25.92%45.09%32.38%ASTGNN97.12%39.76%43.10%32.13%41.81%30.69%數(shù)據(jù)來源：wind、上交所、深交所、東方證券研究所上表中各模型多頭組合分年度績效表現(xiàn)來看，除兩年表現(xiàn)略低于基準模型，其他年份新模型均能大幅跑贏基準模型。這說明相較于基準模型新模型能夠產生穩(wěn)定的提升效果。接著我們將基準模型和新模型在滬深300、中證500和中證1000這三個股票池上進行分組測試（分5組），所得回測結果如下：圖10：各寬基指數(shù)上選股表現(xiàn)（回測期20180101~20231031）滬深3002018年以來GRUASTGNN2020年以來GRUASTGNNRankIC10.26%10.50%RankIC9.53%9.68%ICIR0.70.72ICIR0.70.72RankIC>0占比75.86%75.17%RankIC>0占比70.65%73.96%Top年化超額27.29%27.92%Top年化超額27.30%27.28%年化波動率7.60%7.31%年化波動率7.96%7.57%最大回撤-8.05%-7.17%最大回撤-8.05%-7.17%周均單邊換手43.49%43.94%周均單邊換手42.66%42.94%中證5002018年以來GRUASTGNN2020年以來GRUASTGNNRankIC11.87%12.30%RankIC10.11%10.32%ICIR0.960.97ICIR0.860.86RankIC>0占比81.38%80.69%RankIC>0占比79.17%78.12%Top年化超額23.14%25.28%Top年化超額19.90%21.91%年化波動率6.10%6.20%年化波動率6.36%6.39%最大回撤-8.69%-7.99%最大回撤-8.69%-7.99%周均單邊換手43.95%44.85%周均單邊換手42.83%43.57%中證10002018年以來GRUASTGNN2020年以來GRUASTGNNRankIC15.08%15.27%RankIC12.89%12.99%ICIR1.411.41ICIR1.231.25RankIC>0占比91.03%90.34%RankIC>0占比88.54%88.54%Top年化超額33.45%34.44%Top年化超額26.30%27.48%年化波動率5.57%5.56%年化波動率5.81%5.75%最大回撤-4.18%-3.40%最大回撤-4.19%-3.40%周均單邊換手44.40%45.25%周均單邊換手43.15%44.00%數(shù)據(jù)來源：wind、上交所、深交所、東方證券研究所通過以上結果我們可以看出無論是2018年以來還是2020年以來，在各寬基指數(shù)上，ASTGNN模型生成因子較基準模型都有不同程度提升效果。這說明嵌入圖結構帶來信息增量的泛化能力相對顯著。四、合成因子指數(shù)增強組合表現(xiàn)300500100020180101~20231231，組合周頻調倉，假設根據(jù)每周五個股得分在次日以vwap價格進行交易，股票池為中證全指。風險因子庫dfrsk020（參見《東方A股因子風險模型（-2020）的所有風格因子相對0.52%5003004%。cpct（cpct=Nonedela。組合業(yè)績測算時假設買入成本千分之一、賣出成本千分之二，停牌和漲停不能買入、停牌和跌停不能賣出。300本節(jié)將展示新模型生成因子在滬深300指數(shù)增強策略應用，首先我們展示不同約束條件下，各年度超額收益以及匯總的業(yè)績表現(xiàn)：圖11：滬深300指增組合分年度超額收益率（截至20231231）delta=0.1 delta=0.2 delta=0.3cpct=0.8cpct=Nonecpct=0.8cpct=Nonecpct=0.8cpct=None201815.72%19.75%28.49%25.91%30.72%28.24%20195.72%3.84%7.72%6.66%6.06%2.84%20206.42%8.89%10.94%10.11%11.13%10.34%202119.41%20.76%20.40%21.41%21.06%21.30%202219.57%16.27%20.19%17.93%18.86%17.89%202315.68%14.93%12.98%13.15%12.65%12.25%數(shù)據(jù)來源：wind、上交所、深交所、東方證券研究所圖12：滬深300指增組合匯總結果（截至20231231）模型年化超額年化波動周度勝率最大回撤delta=0.1cpct=0.8cpct=None13.62%13.93%4.58%4.82%68.05%68.05%-5.88%-7.31%delta=0.2cpct=0.8cpct=None16.59%15.69%4.66%4.88%69.01%68.37%-4.58%-5.73%delta=0.3cpct=0.8cpct=None16.49%15.20%4.70%4.89%69.01%67.09%-4.70%-5.80%數(shù)據(jù)來源：wind、上交所、深交所、東方證券研究所圖13：滬深300指增組合凈值走勢（成分股80%限制，凈值左軸，回撤右軸）數(shù)據(jù)來源：wind、上交所、深交所、東方證券研究所上述圖表結果可以看出，ASTGNN生成因子直接用于滬深300指增任務表現(xiàn)良好，并且約束條件更嚴格的條件下，滬深300指增組合的表現(xiàn)反而更加優(yōu)異。500本小節(jié)將展示非線性加權生成因子打分應用于中證500指數(shù)增強策略表現(xiàn)情況。首先我們展示各個模型各年度超額收益以及匯總的業(yè)績表現(xiàn)：圖14：中證500指增組合分年度超額收益率（截至20231031）delta=0.1 delta=0.2 delta=0.3cpct=0.8cpct=Nonecpct=0.8cpct=Nonecpct=0.8cpct=None201830.09%34.86%43.30%50.73%46.86%53.65%201913.73%19.01%17.22%18.44%18.02%18.65%202014.32%18.58%17.19%21.91%16.93%19.55%202118.81%22.44%20.31%21.81%20.75%23.09%202216.70%24.71%19.64%28.22%17.55%27.84%202314.82%21.29%18.08%21.92%17.05%22.64%數(shù)據(jù)來源：wind、上交所、深交所、東方證券研究所圖15：中證500指增組合匯總結果（截至20231231）模型年化超額年化波動周度勝率最大回撤delta=0.1cpct=0.8cpct=None17.96%23.38%4.97%5.81%71.88%71.25%-5.27%-5.60%delta=0.2cpct=0.8cpct=None22.32%26.76%5.38%6.11%70.93%73.80%-5.22%-4.82%delta=0.3cpct=0.8cpct=None22.44%27.07%5.53%6.30%71.57%72.84%-5.61%-4.81%數(shù)據(jù)來源：wind、上交所、深交所、東方證券研究所16500（80%限制，凈值左軸，回撤右軸）

圖17：中證500指增組合凈值走勢（成分股不限制，凈值左軸，回撤右軸） 數(shù)據(jù)來源：wind、上交所、深交所、東方證券研究所 數(shù)據(jù)來源：wind、上交所、深交所、東方證券研究所上述圖表結果可以看出，ASTGNN生成因子可以直接用于中證500指增任務，且該組合表現(xiàn)良好。成分股占比不做約束下組合的超額收益大幅超過成分股占比80%約束條件下組合的結果。1000本小節(jié)將展示基準模型和新模型生成因子打分應用于中證1000指數(shù)增強策略表現(xiàn)情況：圖18：中證1000指增組合分年度超額收益率（截至20231231）delta=0.1 delta=0.2 delta=0.3cpct=0.8cpct=Nonecpct=0.8cpct=Nonecpct=0.8cpct=None201842.32%47.20%59.88%60.80%62.76%68.62%201921.34%18.50%23.36%20.66%27.23%22.73%202027.68%22.06%26.63%23.75%26.07%21.77%202130.92%26.16%28.16%26.57%27.58%27.52%202227.31%28.00%29.93%30.65%26.93%30.92%202314.37%20.66%22.06%24.28%20.17%24.28%數(shù)據(jù)來源：wind、上交所、深交所、東方證券研究所圖19：中證1000指增組合匯總結果（截至20231231）模型年化超額年化波動周度勝率最大回撤delta=0.1cpct=0.8cpct=None27.06%26.78%5.43%5.89%75.40%72.84%-4.48%-4.48%delta=0.2cpct=0.8cpct=None31.12%30.50%5.93%6.17%74.44%72.84%-4.68%-4.78%delta=0.3cpct=0.8cpct=None31.14%31.77%6.12%6.39%77.00%73.16%-4.57%-5.57%數(shù)據(jù)來源：wind、上交所、深交所、東方證券研究所201000（80%

圖21：中證1000指增組合凈值走勢（成分股不限制，凈值左軸，回撤右軸） 數(shù)據(jù)來源：wind、上交所、深交所、東方證券研究所 數(shù)據(jù)來源：wind、上交所、深交所、東方證券研究所上述圖表結果可以看出，ASTGNN生成因子直接用于中證1000指增任務形成組合，且該組合表現(xiàn)良好。隨著約束條件不斷放松組合的超額收益也將不斷地上升。五、結論前期報告中，我們基于周度（week）、日度（day）、分鐘線（ms）和Level-2（l2）RNN、ResNetAIRNNResNetARNNRNN中嵌入自適應圖的網(wǎng)絡結構（&ASTGNN）RNN模型和傳統(tǒng)的圖模型，該網(wǎng)絡結構優(yōu)勢主要在于：能夠同時對時間和空間信息進行挖掘，既能考慮到時間維度上個股特征演化關系，又能兼顧空間截面上所有個股的交互作用。實時性較強，相較于傳統(tǒng)圖模型而言，鄰接矩陣的刻畫往往依賴于行業(yè)分類、是否屬于同一基金持倉或者基本面相關信息，這些信息滯后性高，如基本面需要根據(jù)業(yè)績報告一個季度更 新一次、所屬行業(yè)分類則更新頻率更低。因此對于中高頻策略往往實用性更低。而自適應圖有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯(lián)系。并請閱讀本證券研究報告最后一頁的免責申明。模型則是根據(jù)輸入K線數(shù)據(jù)或者個股相關特征自助捕捉交互關系，從而生成鄰接矩陣，因而更能貼合市場實際的情況。更加客觀，股票短期相似性可能受到所屬概念炒作的影響，因此股票間相似性很可能體現(xiàn)在個股自身短期走勢上，所以認為主觀定義的鄰接矩陣往往不能很好的契合這種個股的空間依賴性，因此人為定