>> 東北證券-機器學(xué)習(xí)系列之九，Mamba-MoE：風(fēng)險中性化與多模型融合-250529
| 上傳日期： |
2025/5/29 |
大?。?/td>
| 2781KB |
| 格式： |
pdf 共30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 |
|
|
報告摘要：
降低模型的風(fēng)險暴露獲取長期更優(yōu)更穩(wěn)定的超額收益。目前的研究主要有兩類，一類允許模型具有風(fēng)險暴露，并依賴模型對風(fēng)格的輪動和擇時獲取絕對收益；另一類旨在將Alpha與Beta解耦，即盡可能降低模型的風(fēng)險暴露，追求更低的回撤以及更穩(wěn)定的超額收益。后者的實現(xiàn)過程一般依賴中性化，但目前的實現(xiàn)方式存在著三個缺陷：線性回歸中性化未考慮風(fēng)險因子間的非線性交互信息；未考慮股票間的關(guān)聯(lián)關(guān)系帶來的風(fēng)險；因子值層面的中性化導(dǎo)致最終的信號與模型的訓(xùn)練目標(biāo)不一致。
多模型融合能夠提供信息增益。單一的模型可能存在著一定的隨機性，而不同結(jié)構(gòu)的模型、不同的訓(xùn)練方式與設(shè)定具有不同的側(cè)重點，多模型集成過程一方面將噪聲部分相抵消，另一方面能夠綜合各模型的優(yōu)勢。傳統(tǒng)的訓(xùn)練方式中，驗證集的選擇一般為近期，但樣本外數(shù)據(jù)分布并不一定與驗證集分布相似，例如在事件沖擊或劇烈的風(fēng)格切換后，選擇近期驗證集上最優(yōu)的模型可能面臨著樣本外泛化性不足的風(fēng)險。K折交叉驗證能夠在一定程度上緩解數(shù)據(jù)分布漂移問題，集成多個驗證集上最優(yōu)的模型能夠讓結(jié)果更加穩(wěn)健。
Mamba-MoE在高效提取時間序列特征的同時，將線性與非線性的風(fēng)險約束納入訓(xùn)練過程，并通過交叉驗證與多模型集成的方式提升穩(wěn)健性。Mamba相比于Transformer具有更低的計算復(fù)雜度，相比于RNN類模型其訓(xùn)練過程支持并行，能夠快速有效地進行特征提取。另外，模型訓(xùn)練過程引入了對風(fēng)險因子的約束，從而避免在組合優(yōu)化中因限制風(fēng)格偏離而對信號產(chǎn)生的影響；同時也考慮了非線性風(fēng)險因子，包含風(fēng)險因子間的非線性交互信息以及股票間行業(yè)層面與交易層面的關(guān)聯(lián)信息。最后通過交叉驗證與專家混合模型進行多模型集成，提升泛化性。
Mamba-MoE生成因子穩(wěn)定性更好。風(fēng)險約束的加入降低了因子的風(fēng)險暴露，在因子層面進行風(fēng)險線性中性化后，因子表現(xiàn)衰減較弱。非線性風(fēng)險約束的加入對因子的多空穩(wěn)定性有進一步的提升。多標(biāo)簽多驗證集得到的因子具有明顯的差異性，融合后效果更佳。Mamba-MoE因子周度Rank IC：13.22%，ICIR：1.28，十分組周頻調(diào)倉多頭年化收益：33.01%，多空Sharpe ratio：9.25。從歷史平均的風(fēng)險相關(guān)性來看具有一定程度的低波動與低流動性暴露，另外對價值與盈利也有著一定的偏向，但整體控制在較低水平，對市值的相關(guān)性不明顯。
指數(shù)增強策略表現(xiàn)優(yōu)異。在控制整體換手的約束下，2018年至2025年4月周頻調(diào)倉的滬深300增強組合年化超額收益率9.02%，跟蹤誤差4.26%；中證500增強組合年化超額收益率11.63%，跟蹤誤差4.92%；中證1000增強組合年化超額收益率17.74%，跟蹤誤差5.52%。在嚴(yán)格控制風(fēng)險暴露和跟蹤誤差的同時，取得穩(wěn)定優(yōu)異的表現(xiàn)。
風(fēng)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(fēng)險。
|
|
