>> 東北證券-機器學習系列之六：適應(yīng)市場狀態(tài)與股票關(guān)聯(lián)性的因子生成模型-240904
| 上傳日期： |
2024/9/4 |
大?。?/td>
| 3005KB |
| 格式： |
pdf 共31頁 |
來源： |
東北證券 |
| 評級： |
-- |
作者： |
王琦,賈英 |
| 下載權(quán)限： |
此報告為加密報告，僅限高級會員查看 |
|
|
市場狀態(tài)的切換與股票間關(guān)聯(lián)關(guān)系的變化對股票的預(yù)期收益影響顯著。不同的市場狀態(tài)對應(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)市場狀態(tài)的切換或市場的結(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，在信息輸入上存在缺失。傳統(tǒng)方法存在著這兩方面的局限性。
風險因子與深度風險模型建模股票關(guān)聯(lián)關(guān)系，趨勢與波動識別市場狀態(tài)。風險因子涵蓋股票基本面與量價信息，蘊含著股票的內(nèi)在特征，且有著對收益解釋力度強、截面相關(guān)性低、時序自相關(guān)性高等特點，可以作為計算股票相似度的重要依據(jù)。深度風險模型對原始風險因子進行進一步的加強，對股票的本質(zhì)特征具有更好的刻畫效果。對于市場狀態(tài)的識別，窗口期內(nèi)標準化價格的斜率作為趨勢指標，窗口期內(nèi)日收益率的標準差作為波動性指標，將市場狀態(tài)分為暴漲、平穩(wěn)上行、寬幅震蕩、窄幅震蕩、暴跌以及持續(xù)下行6種情形，實證結(jié)果表明，不同的市場狀態(tài)具有不同的風格偏向。
Adaptive-GSM-Alpha是一種適應(yīng)性的因子生成模型，適應(yīng)市場狀態(tài)與股票關(guān)聯(lián)性的變動。Adaptive-GSM-Alpha分為基礎(chǔ)模型與子模型兩部分。基礎(chǔ)模型在GSM-Alpha上做出改進，使用風險因子計算股票的相似性，另外在特征提取上將風險因子與量價序列數(shù)據(jù)組合輸入，拓寬Alpha的信息源。6個子模型對應(yīng)6種市場狀態(tài)，利用每個狀態(tài)對應(yīng)的數(shù)據(jù)在基礎(chǔ)模型上微調(diào)，旨在刻畫不同狀態(tài)下的交易模式。最后考慮到穩(wěn)健性，依據(jù)當前的市場狀態(tài)生成權(quán)重從而對6個子模型進行加權(quán)，并與基礎(chǔ)模型復(fù)合得到最終輸出結(jié)果。
Adaptive-GSM-Alpha因子具有穩(wěn)定良好的表現(xiàn)。在基礎(chǔ)模型的訓(xùn)練設(shè)定上，中性化標簽對因子穩(wěn)定性的提升較大，尤其是2024年中超額回撤顯著降低。關(guān)聯(lián)信息挖掘模塊對結(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。在各市場狀態(tài)中對應(yīng)的子模型具有更優(yōu)的表現(xiàn)，另外各子模型的風格偏向有所不同，分別體現(xiàn)了子模型的專一性與差異性。Adaptive-GSM-Alpha因子在2018年1月至2024年8月月頻Rank IC：14.55%，ICIR：1.68，五分組多頭年化收益：18.09%；因子做行業(yè)市值中性化后月頻Rank IC：12.85%，ICIR：1.91，五分組多頭年化收益：14.72%。基于Adaptive-GSM-Alpha的滬深300指數(shù)增強策略超額年化收益15.61%，跟蹤誤差5.16%；中證500指數(shù)增強策略超額年化收益15.66%，跟蹤誤差6.00%；中證1000指數(shù)增強策略超額年化收益16.05%，跟蹤誤差6.08%。交易費用設(shè)定為雙邊千三。
風險提示：以上分析基于模型結(jié)果和歷史測算，存在模型失效風險。
|
|
