>> 東方證券-因子選股系列之一百：DFQ-HIST，添加圖信息的選股因子挖掘系統(tǒng)-240207
| 上傳日期： |
2024/2/7 |
大?。?/td>
| 1319KB |
| 格式： |
pdf 共30頁 |
來源： |
東方證券 |
| 評級： |
-- |
作者： |
劉靜涵,楊怡玲 |
| 下載權(quán)限： |
此報告為加密報告，僅限高級會員查看 |
|
|
研究結(jié)論
HIST模型（sHare Information for Stock Trend forecasting，基于圖的可通過挖掘概念共享信息進行股票趨勢預(yù)測），由中山大學(xué)和微軟亞洲研究院合作在2022年1月發(fā)布于arXiv。
DFQ-HIST模型在原文模型基礎(chǔ)上進行修改和優(yōu)化，是一種新的股票趨勢預(yù)測框架，能夠充分挖掘股票預(yù)定義概念和隱藏概念中的動態(tài)共享信息：（1）刻畫股票聯(lián)動現(xiàn)象；（2）引入人工預(yù)定義概念，并且考慮到了預(yù)定義概念的不完備性和動態(tài)變化性；（3）引入隱藏概念，進一步挖掘股票關(guān)聯(lián)信息；（4）應(yīng)用注意力機制，將個股信息和概念信息進行融合；（5）加入股票時序特征編碼模塊，融合股票自身的歷史時序特征信息；（6）使用雙重殘差學(xué)習(xí)結(jié)構(gòu)，處理不同模塊的信息。（7）相比其他常見圖模型，HIST模型效果最好。
DFQ-HIST模型中有幾個關(guān)鍵步驟，對提升模型效果都有幫助：（1）多輸入：使用基礎(chǔ)特征和alpha因子兩類輸入；（2）多標(biāo)簽：使用未來5日、10日、20日收益率多個標(biāo)簽；（3）時序特征提取：GRU模型效果最好；（4）融合圖信息：添加圖信息后可以顯著提升多頭表現(xiàn)；（5）預(yù)定義概念選?。菏褂霉拘袠I(yè)及主營業(yè)務(wù)構(gòu)成數(shù)據(jù)；（6）預(yù)定義概念修正：校正預(yù)定義概念的共享信息、挖掘缺失的股票概念以及減少不太重要概念的影響可以提升模型性能；（7）隱藏概念挖掘：模型可以挖掘出在預(yù)定義概念之外的股票關(guān)聯(lián)；（5）雙重殘差結(jié)構(gòu)：移除預(yù)定義概念模塊、隱藏概念模塊、移除個體信息模塊，或取消殘差結(jié)構(gòu)都將降低模型性能。
合成因子績效：在中證全指股票池中，HIST模型合成因子得分各項表現(xiàn)均明顯最強。測試集（2020-2023年）上rankic達到17%，rankicir達到1.34（未年化），20分組多頭年化超額收益29.31%，月均單邊換手73%。分組單調(diào)性好。因子受行業(yè)市值風(fēng)格的影響較小，因子中性化后表現(xiàn)依然很強，優(yōu)于其他模型。隨機種子對全市場訓(xùn)練的模型結(jié)果影響不大，5個路徑下得到的因子值相關(guān)系數(shù)在90%左右。
滬深300指數(shù)增強組合：2020年以來年化信息比達到2.27，年化對沖收益11.55%，年化跟蹤誤差4.87%，單邊年換手7.45倍。
中證500指數(shù)增強組合：2020年以來年化信息比達到2.09，年化對沖收益13.13%，年化跟蹤誤差6%，單邊年換手9.67倍。
中證1000指數(shù)增強組合：HIST模型在中證1000指增組合中表現(xiàn)突出：（1）整體表現(xiàn)：2020年以來年化信息比達到3.6，年化對沖收益25.55%，年化跟蹤誤差6.39%，單邊年換手10.06倍。（2）回撤情況：超額收益凈值曲線走勢平滑，未出現(xiàn)長時間失效。超額收益最大回撤僅為4.55%，出現(xiàn)在2023年4月，且回撤持續(xù)時間很短。（3）分年表現(xiàn)：2020-2023每年均取得正超額，2023年對沖收益20%。
風(fēng)險提示
1.量化模型失效風(fēng)險。
2.極端市場環(huán)境對模型的影響。
|
|
