機(jī)器學(xué)習(xí)系列之六：適應(yīng)市場(chǎng)狀態(tài)與股票關(guān)聯(lián)性的因子生成模型

適應(yīng)市場(chǎng)狀態(tài)與股票關(guān)聯(lián)性的因子生成模型 不同的市場(chǎng)狀態(tài)對(duì)應(yīng)著不同的交易模式，而傳統(tǒng)方法為不同狀態(tài)的數(shù)據(jù)賦予相同的重要性，嘗試構(gòu)建一種統(tǒng)一的交易模式，這種通用的方法可能難以適應(yīng)市場(chǎng)狀態(tài)的切換或市場(chǎng)的結(jié)構(gòu)性變化，從而可能在極端的行情中出現(xiàn)較大回撤。股票間的關(guān)聯(lián)性通常包括股票分類以及相似度的度量，其描述股票的協(xié)同效應(yīng)，即對(duì)于某些信息的反應(yīng)具有一致性，傳統(tǒng)方法通常僅通過股票自身的特征序列來建模預(yù)期收益，在信息輸入上存相關(guān)報(bào)告相關(guān)報(bào)告《上月波動(dòng)率、紅利、流動(dòng)性因子表現(xiàn)較優(yōu)》《基于隨機(jī)森林算法的信用風(fēng)險(xiǎn)識(shí)別模型》風(fēng)險(xiǎn)因子與深度風(fēng)險(xiǎn)模型建模股票關(guān)聯(lián)關(guān)系，趨勢(shì)與波動(dòng)識(shí)別市場(chǎng)狀態(tài)。風(fēng)險(xiǎn)因子涵蓋股票基本面與量?jī)r(jià)信息，蘊(yùn)含著股票的內(nèi)在特征，且有著對(duì)收益解釋力度強(qiáng)、截面相關(guān)性低、時(shí)序自相關(guān)性高等特點(diǎn)，可以《上月波動(dòng)率、紅利、流動(dòng)性因子表現(xiàn)較優(yōu)》《基于隨機(jī)森林算法的信用風(fēng)險(xiǎn)識(shí)別模型angqi_5636iaying@ne股票關(guān)聯(lián)性的變動(dòng)。Adaptive-GSM-Alpha分為基礎(chǔ)模型與子模型兩angqi_5636iaying@ne顯著降低。關(guān)聯(lián)信息挖掘模塊對(duì)結(jié)果同樣具有一定影響，說明股票的關(guān)聯(lián)性是預(yù)期收益的重要組成部分。在各市場(chǎng)狀態(tài)中對(duì)應(yīng)的子模型具有更優(yōu)的表現(xiàn)，另外各子模型的風(fēng)格偏向有所不同，分別體現(xiàn)了子模型的專風(fēng)險(xiǎn)提示：以上分析基于模型結(jié)果和歷史測(cè)算，存請(qǐng)務(wù)必閱讀正文后的聲明及說明2/ 4 5 5 5 83.Adaptive-GSM-Alph 12 3.3.1.標(biāo)簽中性化對(duì)基 26 28 28 29 6 7 8 9 9 請(qǐng)務(wù)必閱讀正文后的聲明及說明3/31 8 請(qǐng)務(wù)必閱讀正文后的聲明及說明4/偏好紅利等防守型的風(fēng)格或行業(yè)，而在市場(chǎng)上漲時(shí)可能偏激進(jìn)。在小市值行情應(yīng)市場(chǎng)狀態(tài)的切換和市場(chǎng)的結(jié)構(gòu)性變化，從而在極端的行情中出現(xiàn)大幅回撤。股票自身信息與股票間的關(guān)聯(lián)信息共同影響預(yù)期收益。股票間的關(guān)聯(lián)性一方面?zhèn)鹘y(tǒng)的深度學(xué)習(xí)因子生成模型僅通過股票自身的特征序列來預(yù)測(cè)收益，信息輸本報(bào)告旨在通過建模來突破傳統(tǒng)方法的局限性，使得模型能夠適應(yīng)市場(chǎng)狀態(tài)的用Log-signature提取特征，然后使用RNN類網(wǎng)絡(luò)融合各個(gè)patch上的特征，該《強(qiáng)化學(xué)習(xí)與基于RRL的因子合成方法——機(jī)器學(xué)習(xí)系列之四》同樣使用列特征提取的統(tǒng)一框架GSM，在高頻與混合頻網(wǎng)絡(luò)架構(gòu)中，有較強(qiáng)的靈活性。GSM-Alpha通請(qǐng)務(wù)必閱讀正文后的聲明及說明提出了一種具有適應(yīng)性的模型Adaptive-GSM-Alpha，實(shí)現(xiàn)從股票間的關(guān)聯(lián)關(guān)系主要有兩種形式，定性的分類關(guān)系以及定量的相似度關(guān)系。與其它股票的相似度矩陣（Similaritymatrix兩個(gè)股票的特征相似度越高則認(rèn)相似度矩陣對(duì)因子進(jìn)行調(diào)整。另外，相似度計(jì)算可以同時(shí)考慮股票的基本面信neuralnetwork;GNN）進(jìn)行建模，常見的包括圖卷積網(wǎng)絡(luò)（Graphconvolutional風(fēng)險(xiǎn)因子是投資組合優(yōu)化中重要的一部分，控制組合的在各個(gè)風(fēng)險(xiǎn)因子上的暴深度風(fēng)險(xiǎn)模型對(duì)原始風(fēng)險(xiǎn)因子的改進(jìn)效果。[1請(qǐng)務(wù)必閱讀正文后的聲明及說明其中，{xi,t?τ}i=1,?,n;τ=1,?,T表示某只股票的n個(gè)風(fēng)險(xiǎn)因子在第t?1日向過去回溯間的風(fēng)險(xiǎn)關(guān)聯(lián)，然后通過殘差連接（Skipconnec+λtr示深度風(fēng)險(xiǎn)因子數(shù)；yt:t+?表示N個(gè)股票在t日到t+?日的收益率。事實(shí)上，這種設(shè)定方式隱含了多任務(wù)學(xué)習(xí)（Multi-taskle第一項(xiàng)表示在不同期限的收益率擬合方程中R2的均值，目的是希望生夠?qū)ξ磥矶嗥诘氖找媛示哂辛己玫慕忉屝Ч?，這樣一方面可以提升風(fēng)險(xiǎn)因子的R2，另一方面可以使得風(fēng)險(xiǎn)因子具有更強(qiáng)的自相關(guān)性。第二項(xiàng)表示生成的各為了對(duì)比測(cè)試風(fēng)險(xiǎn)因子與深度風(fēng)險(xiǎn)因子應(yīng)用于股票關(guān)聯(lián)性的效果，我們利用了請(qǐng)務(wù)必閱讀正文后的聲明及說明基本面與技術(shù)面信息，因子數(shù)據(jù)來自于Riceq至2016年，驗(yàn)證集為2017年，測(cè)試集為2018年至2024年。一級(jí)行業(yè)啞變量作為解釋變量進(jìn)行回歸。利用原始風(fēng)險(xiǎn)因子得到的回歸模型R2請(qǐng)務(wù)必閱讀正文后的聲明及說明因子有所改進(jìn)。這樣我們得到了兩種計(jì)算股票間相似度在不同的市場(chǎng)狀態(tài)下，市場(chǎng)的交易模型應(yīng)該是不同的。本節(jié)參考[2]，從趨勢(shì)與請(qǐng)務(wù)必閱讀正文后的聲明及說明狀態(tài)為3，窄幅震蕩狀態(tài)為4，市場(chǎng)暴跌狀態(tài)為5，持續(xù)下行狀態(tài)800017000600050000.80.640000.40.20300020001000-0.2-0.42014/1/22015/1/22016/1/22017/1/22018/1/22019/1/22020/1/22021/1/22022/1/22023/1/22024/1/2趨勢(shì)指標(biāo)Wind全A指數(shù)-0.6-0.8請(qǐng)務(wù)必閱讀正文后的聲明及說明10/800070006000500040003000200010002014/1/22015/1/22016/1/22017/1/22018/1/22019/1/22020/1/22021/1/22022/1/22023/1/22024/1/2波動(dòng)性指標(biāo)Wind全A指數(shù)0.060.050.040.030.020.010請(qǐng)務(wù)必閱讀正文后的聲明及說明beta0.2liquidity0.15momentumliquidity5leveragesizeleverage0-0.05residual_volatilitybook_to_priceresidual_volatilitygrowthmid_capgrowthearnings_yieldbeta0.1liquidity0.08momentumliquidity0.080.060.04leverage0.02sizeleverage0.020-0.02residual_volatilitybook_to_priceresidual_volatilitygrowthmid_capgrowthearnings_yieldbeta0.08liquidity0.06momentumliquidity0.060.040.02leveragesize0leveragesize-0.02-0.04residual_volatilitybook_to_priceresidual_volatility growthmid_capearnings_yieldbeta0.08liquiditymomentum0.06liquiditymomentum0.040.020sizeleverage-0.02sizeleverage-0.04-0.06book_to_priceresidual_volatilitybook_to_price growthmid_capearnings_yieldbeta0.12liquiditymomentum0.1liquiditymomentum0.080.060.04sizeleverage0.02sizeleverage0-0.02book_to_priceresidual_volatilitybook_to_price growthmid_capearnings_yieldbeta0.15liquidity0.1momentumliquidity0.10.050leveragesizeleverage-0.05-0.1residual_volatilitybook_to_priceresidual_volatilitygrowthmid_capgrowthearnings_yield請(qǐng)務(wù)必閱讀正文后的聲明及說明12/(2)在市場(chǎng)處于低波動(dòng)狀態(tài)時(shí)，風(fēng)格整體偏向于低特異性波動(dòng)與低估值。另外，本章主要介紹一種適應(yīng)性的因子生成模型，模型本身作為前期報(bào)告中GSM-在介紹Adaptive-GSM-Alpha之前GSM在時(shí)序特征提取任務(wù)上具有優(yōu)異的表現(xiàn)，尤其是在高景中。整體上來說，GSM將多維時(shí)間序列轉(zhuǎn)換為一個(gè)特征集，集在某種意義上一一對(duì)應(yīng)的理論保證，后者指特征集中的元素均具有顯性的計(jì)模型希望應(yīng)用GSM從高頻分鐘線序列與日頻序列中提取信息，將其融合為是在保證良好性能的基礎(chǔ)上限制生成特征數(shù)量；在計(jì)算的過程中不進(jìn)行尺度放過對(duì)單序列的抽取組合從而形成多組低維序列；對(duì)每組低維序列進(jìn)行時(shí)間增強(qiáng)與基點(diǎn)增強(qiáng)后利用Log-signature進(jìn)行交互信息的提應(yīng)的特征進(jìn)行拼接得到特征集。特征集涵蓋了原始序列中單序列深層次的信息請(qǐng)務(wù)必閱讀正文后的聲明及說明13/基礎(chǔ)模型在前期報(bào)告GSM-AlphaAlpha模型對(duì)股票間相似度的計(jì)算來源于GSM提取到的量?jī)r(jià)特征集，特征集一收益具有較強(qiáng)的解釋作用，且自身具有較低的截面相關(guān)性以及較強(qiáng)的時(shí)序穩(wěn)定性，所以這種方法可以作為對(duì)原始方法的改進(jìn)。請(qǐng)務(wù)必閱讀正文后的聲明及說明14/假設(shè)我們按交易日期劃分batch，即某個(gè)交易日的所有股票序列數(shù)據(jù)(x1,x2,?,xN)同屬一個(gè)batch，這里每個(gè)股票的樣本包含兩方面的序列信息，即分鐘頻序列與日頻序列。對(duì)于每個(gè)股票樣本，首先將其后由線性層降低到一個(gè)合適的特征維度，這里與風(fēng)險(xiǎn)因子拼接后再經(jīng)過一個(gè)到的一點(diǎn)是，GSM&Indicatormixing模塊對(duì)所有股票參數(shù)共享，計(jì)算均可以向量化進(jìn)行，并且可以通過GPU加速。而對(duì)股票自身的特征進(jìn)行加權(quán)混合。這樣使得模型不僅僅考慮了股票自身的時(shí)請(qǐng)務(wù)必閱讀正文后的聲明及說明15/基礎(chǔ)模型在前期報(bào)告中GSM-Alpha模型上的改進(jìn)依據(jù)第二章中的市場(chǎng)狀態(tài)劃分方式，將市場(chǎng)分為暴漲（狀態(tài)1平穩(wěn)上這些交易模式統(tǒng)一納入到單個(gè)模型中。Adaptive-GSM-Al在推理階段，首先將股票特征序列輸入到年窗口期中的指標(biāo)分位數(shù)進(jìn)行標(biāo)準(zhǔn)化，接下來計(jì)算每個(gè)市場(chǎng)狀態(tài)中指標(biāo)分位數(shù)的均值作為對(duì)應(yīng)狀態(tài)的標(biāo)簽，最后計(jì)算當(dāng)日指標(biāo)分位數(shù)與每個(gè)狀態(tài)標(biāo)簽距離的請(qǐng)務(wù)必閱讀正文后的聲明及說明16/最后將子模型得到的預(yù)期收益率進(jìn)行加權(quán)，并與基礎(chǔ)模型得到的預(yù)期收益率合y=′+=w?f+F0(x).需要提到的一點(diǎn)是，以距離倒數(shù)作為權(quán)重使得與當(dāng)日市場(chǎng)狀態(tài)相對(duì)應(yīng)的子模型定的狀態(tài)，這種情況更適合以權(quán)重的方式考慮。列統(tǒng)一除以樣本中的最后一個(gè)收盤價(jià)，最后進(jìn)行時(shí)序z-score因子數(shù)據(jù)進(jìn)行截面標(biāo)準(zhǔn)化。標(biāo)簽分別選擇行業(yè)市值中性化以及截面標(biāo)準(zhǔn)化后的為這部分參數(shù)量較大而且可能與交易模型的學(xué)習(xí)關(guān)聯(lián)性較弱。之后在每組模型的基礎(chǔ)上利用新的訓(xùn)練集與驗(yàn)證集進(jìn)行微調(diào)，即希望子模型更專注于每個(gè)市場(chǎng)標(biāo)準(zhǔn)化后的收益率標(biāo)簽以及僅截面標(biāo)準(zhǔn)化的原始收益等權(quán)配置，基準(zhǔn)選擇為全A等權(quán)組合?；販y(cè)時(shí)請(qǐng)務(wù)必閱讀正文后的聲明及說明17/處理方式RankICICIR多頭年化收益多頭換手率多空年化收益多空年化波動(dòng)率多空SharpeRatio多空最大回撤普通標(biāo)簽11.89%11.89%13.78%13.78%38.27%38.27%7.24%7.24%5.295.2948%中性化標(biāo)簽12.49%12.49%14.16%14.16%41.50%41.50%6.89%6.89%6.026.02普通標(biāo)簽，原始因子13.93%13.93%16.88%16.88%43.94%10.92%10.92%4.024.0216.61%16.61%中性化標(biāo)簽，原始因子14.20%14.20%17.47%17.47%46.74%46.74%10.19%10.19%4.594.5912.72%12.72%請(qǐng)務(wù)必閱讀正文后的聲明及說明18/低了因子的行業(yè)和市值暴露，使得在極端事件發(fā)生時(shí)回撤顯著降低。另外中性化因子相對(duì)于原始因子穩(wěn)定性有所提升，但提升效果明顯弱于訓(xùn)練時(shí)處理方式RankICICIR多頭年化收益多頭換手率多空年化收益多空年化波動(dòng)率多空SharpeRatio多空最大回撤普通標(biāo)簽13.78%13.78%38.27%38.27% 7.24%5.295.29 .48%普通標(biāo)簽（退化模型）11.16%37.47%37.47% 7.32%1%普通標(biāo)簽，原始因子13.93%13.93%16.88%16.88%43.94%43.94%10.92%10.92%4.024.0216.61%16.61%普通標(biāo)簽，原始因子（退化模型）12.73%12.73% 14.65%14.65%41.71%41.71%11.83%11.83%3.533.5321.19%21.19%中性化標(biāo)簽，原始因子14.20%14.20%17.47%17.47%46.74%46.74%10.19%10.19%4.594.59中性化標(biāo)簽，原始因子（退化模型）13.40%13.40%15.51%15.51%44.91%44.91%10.74%10.74%4.184.18中性化標(biāo)簽12.49%12.49%14.16%14.16%41.50%41.50% 6.89%6.026.02 .75%中性化標(biāo)簽（退化模型）13.20%13.20%41.85%41.85% 7.05%5.945.946.91%請(qǐng)務(wù)必閱讀正文后的聲明及說明19/請(qǐng)務(wù)必閱讀正文后的聲明及說明20/3145.00%40.00%0.00%普通標(biāo)簽多頭年化收益多空年化收益多空年化波動(dòng)率多空最大回撤45.00%40.00%0.00%RankIC多頭年化收益多空年化收益多空年化波動(dòng)率多空最大回撤普通標(biāo)簽，原始因子中性化標(biāo)簽，原始因子普通標(biāo)簽，原始因子（退化模型）中性化標(biāo)簽，原始因子（退化模型）整體上來說，去除提取股票間關(guān)聯(lián)關(guān)系的釋原始收益率，而對(duì)于中性化收益則可解釋部分相對(duì)更少。者在衡量股票關(guān)聯(lián)關(guān)系上并沒有顯著差異。故在后續(xù)測(cè)試中在輸入上仍然使用請(qǐng)務(wù)必閱讀正文后的聲明及說明21/31sub-model6sub-model5sub-sub-model10.050sub-model4sub-model2sub-model3sub-model6sub-model5sub-model350.130.1250.120.1150.110.105sub-model4sub-model2sub-model3sub-model6sub-model5sub-model20.10.080.060.040.020sub-model4sub-model2sub-model3sub-model6sub-model5sub-model20.10.080.060.040.020sub-model4sub-model2sub-model3sub-model6sub-model5sub-model20.10.080.060.040.020sub-model4sub-model2sub-model3sub-model6sub-model5sub-model20.10.080.060.040.020sub-model4sub-model2sub-model3能夠適應(yīng)與其相對(duì)應(yīng)的狀態(tài)，且在與該狀態(tài)形態(tài)差異較大的其它狀態(tài)中表現(xiàn)略請(qǐng)務(wù)必閱讀正文后的聲明及說明22/31子模型betabook_to_priceearnings_yieldgrowthleverageliquiditymid_capmomentumresidual_volatilitysizesub-model1-13.73%19.59%21.38%7.71%8.59%-42.96%-8.95%-1.15%-38.89%9.87%sub-model2-13.56%19.05%13.95%9.13%10.84%-41.45%-18.48%-3.12%-40.64%3.82%sub-model3-3.45%9.02%11.03%7.39%-0.59%-32.32%-12.05%-8.46%-31.39%2.25%sub-model4-9.97%34.84%29.67%-0.84%18.35%-31.53%-8.20%-9.89%-40.74%2.53%sub-model5-1.18%8.96%11.82%10.07%0.55%-30.11%-9.17%-3.29%-28.96%6.59%sub-model6-1.68%14.63%19.34%6.66%8.07%-21.07%-0.32%-2.08%-24.92%10.24%各子模型均與流動(dòng)性與特異性波動(dòng)有較強(qiáng)的相關(guān)性，在其它風(fēng)格暴露上各不相請(qǐng)務(wù)必閱讀正文后的聲明及說明23/31yearRankIC多頭年化收益多頭年化超額多空年化收益多空年化波動(dòng)率多空SharpeRatio201815.02%3.60-22.31%19.52%54.29%6.18%8.79201915.86%2.1051.99%16.37%49.75%7.13%6.97202013.59%1.9334.25%14.41%38.91%8.21%4.74202111.40%1.5644.59%14.83%44.51%6.81%6.54202210.90%1.74-0.89%10.24%42.77%6.54%6.54202311.60%1.9419.12%11.93%30.91%5.53%5.59 匯總 12.85%14.72% 13.19%41.97% 7.02% 6.00yearRankIC多頭年化收益多頭年化超額多空年化收益多空年化波動(dòng)率多空SharpeRatio201816.51%5.47-18.85%24.85%63.96%5.97%10.72201915.96%1.8652.12%16.47%50.03%7.42%6.74202013.07%1.9234.91%14.98%40.76%8.25%4.94202110.13%1.4139.59%10.87%37.48%6.55%5.72202210.38%1.78-0.50%10.67%42.01%6.29%6.68202311.34%2.0717.03%9.97%30.06%5.42%5.55 匯總12.49%14.16%12.84%41.50%6.89%6.02請(qǐng)務(wù)必閱讀正文后的聲明及說明24/31yearRankICICIR多頭年化收益多頭年化超額多空年化收益多空年化波動(dòng)率多空SharpeRatio201815.90%3.54-20.67%22.05%57.47%8.04%7.15201916.30%51.59%16.07%49.51%9.46%202015.29%35.07%15.11%40.70%11.57%3.52202112.97%51.15%20.04%56.41%9.49%202213.98%7.15%19.18%59.15%10.52%202313.47%19.15%11.96%33.66%9.80%3.43匯總 18.09% 48.29% 4.59yearRankICICIR多頭年化收益多頭年化超額多空年化收益多空年化波動(dòng)率多空SharpeRatio201817.29%-17.59%26.79%63.55%8.16%7.78201916.00%52.97%17.13%49.24%10.12%4.87202015.05%36.74%16.53%43.40%11.39%3.81202111.33%45.04%15.19%48.16%9.13%202213.74%7.28%19.32%56.32%9.35%202313.45%18.68%11.52%32.98%9.13%3.61 匯總 46.74%4.59請(qǐng)務(wù)必閱讀正文后的聲明及說明25/31模型betabook_to_priceearnings_yieldgrowthleverageliquiditymid_capmomentumresidual_volatilitysizesub-model1-13.73%19.59%21.38%7.71%8.59%-42.96%-8.95%-1.15%-38.89%9.87%sub-model2-13.56%19.05%13.95%9.13%10.84%-41.45%-18.48%-3.12%-40.64%3.82%sub-model3-3.45%9.02%11.03%7.39%-0.59%-32.32%-12.05%-8.46%-31.39%2.25%sub-model4-9.97%34.84%29.67%-0.84%18.35%-31.53%-8.20%-9.89%-40.74%2.53%sub-model5-1.18%8.96%11.82%10.07%0.55%-30.11%-9.17%-3.29%-28.96%6.59%sub-model6-1.68%14.63%19.34%6.66%8.07%-21.07%-0.32%-2.08%-24.92%10.24%Adaptive-GSM-Alpha-7.21%19.12%19.68%8.79%8.36%-40.79%-13.30%-5.13%-40.54%5.60%基礎(chǔ)模型-6.47%18.64%19.23%10.37%8.54%-43.45%-14.81%-3.80%-42.20%5.48%從結(jié)果可以看出，Adaptive-GSM-Alpha在風(fēng)格上的偏向與基礎(chǔ)模偏向于低流動(dòng)性與低特異性波動(dòng)，另外對(duì)低估值與高盈利也有一定的偏向性。最后在滬深300、中證500、中證1000..49..49因子名稱RankICICIR多頭年化收益多頭換手率多空年化收益多空年化波動(dòng)率多空SharpeRatio多空最大回撤滬深300.49%0810.11%1.3827.22%9.99%2.727.91%7.91%中證50059%0997.02%1.3824.14%8.90%8.90%2.718.92%中證100011.62%11.62%1.611.61.27%1.3840.82%.857%國(guó)證200013.97%1.9516.27%1.3547.07%0%5.968%請(qǐng)務(wù)必閱讀正文后的聲明及說明26/31組合年化收益率換手率超額年化收益率超額年化波動(dòng)率超額SharpeRatio超額最大回撤滬深300增強(qiáng)11.72%0.7315.61%5.16%3.034.16%中證500增強(qiáng)11.33%0.8615.66%6.00%2.617.00%中證1000增強(qiáng)10.02%0.9116.05%6.08%2.646.96%請(qǐng)務(wù)必閱讀正文后的聲明及說明27/31請(qǐng)