【华源证券】量化选股系列之一：StyleNet：捕捉市场风格信息的多因子挖掘模型-260414（20页）.pdf

1、请务必仔细阅读正文之后的评级说明和重要声明请务必仔细阅读正文之后的评级说明和重要声明证券研究报告证券研究报告金工专题报告金工专题报告hyzqdatemark证券分析师证券分析师杨怡玲SAC：S陶文启SAC：S联系人联系人StyleNetStyleNet：捕捉市场风格信息的多因捕捉市场风格信息的多因子挖掘模型子挖掘模型量化选股系列之一投资要点：投资要点：随着人工智能学科的快速发展，深度学习模型在选股问题上得到广泛应用并有较为突出的表现。早期深度学习 RNN 1.0 选股模型只训练 Alpha 因子来预测收益，但由于缺乏明确准则界定 Alpha 与风险，模型产生的因子易在市场风格突变时失效（如20

2、24 年“9.24”行情中产生的负相关风险），随后的 ABCM 2.0 体系虽然实现了 Alpha与风险的分离，但仍无法完全刻画复杂的市场结构。我们认为在在 AlphaAlpha 与风险之间与风险之间存在一类存在一类“风格成分风格成分”，它们具有一定的截面解释力且选股能力微弱或不稳定，但，它们具有一定的截面解释力且选股能力微弱或不稳定，但其方向在特定条件下可被预测，因此我们搭建了一套用于捕捉风格信息的其方向在特定条件下可被预测，因此我们搭建了一套用于捕捉风格信息的 StyleNetStyleNet3.03.0 选股模型选股模型。StyleNet 模型的核心思想在于通过拟合一批选股能力不稳定但其

3、方向具有一定可预通过拟合一批选股能力不稳定但其方向具有一定可预测性的因子来形成相应的风格因子，最终再通过对风格因子进行短周期加权的方式测性的因子来形成相应的风格因子，最终再通过对风格因子进行短周期加权的方式来捕捉风格轮动带来的超额收益来捕捉风格轮动带来的超额收益。对比 3 个版本因子的相关性与风格暴露情况，我们可以得出结论：不同因子间相关性较低，获得 alpha 收益来源互不相同，将不同因子叠加能够起到提升稳定性的作用。且相对于 RNN 因子，StyleNetStyleNet 模型对市场风格切换的灵敏度相对更高模型对市场风格切换的灵敏度相对更高。对各个因子多头超额进行回测，我们发现：Style

4、Net 因子 2024 年以来的超额净值走势与其他因子存在较大差异，并且其还能提供独立于 RNN 和 ABCM 因子的增量信息；把StyleNet因子叠加到RNN+ABCM因子上，合成因子表现有了大幅提高，2018年以来中证全指上中证全指上 RankICRankIC 可达可达 15.515.51 1%，年化多头超额可达，年化多头超额可达 49.49.4242%。合成因子在指增模型和行业轮动模型上亦有较好的表现：2018 年以来，因子在沪深 300、中证 500 和中证 1000 指增模型上年化超额收年化超额收益分别可达益分别可达 15.09%15.09%、17.83%17.83%和和 27.9

5、8%27.98%；在行业轮动上的 RankIC 可达 10.68%，Top5Top5 行业年化绝对收益可达行业年化绝对收益可达 23.83%23.83%，每年绝对收益均为正。风险提示风险提示：1 1）量化模型基于历史数据分析量化模型基于历史数据分析，未来存在失效风险未来存在失效风险，建议投资者紧密跟建议投资者紧密跟踪模型表现。踪模型表现。2 2）极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。）极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。2 20 02 26 6 年年 0 04 4 月月 1 14 4 日日源引金融活水 润泽中华大地请务必仔细阅读正文之后的评级说明和重要声明请务

6、必仔细阅读正文之后的评级说明和重要声明第 2页/共 20页内容目录内容目录1.1.引言引言.5 51.1.1.1.AIAI 选股体系选股体系 1.01.0：alphaalpha 因子单元挖掘模型因子单元挖掘模型.5 51.2.1.2.AIAI 选股体系选股体系 2.02.0：alphaalpha 与风险的二元挖掘与风险的二元挖掘模型模型.6 61.3.1.3.AIAI 选股体系选股体系 3.03.0：alphaalpha 与风格与风格的挖掘模型的挖掘模型.6 62.2.捕捉风格因子的捕捉风格因子的 StyleNet 模型模型.7 72.1.2.1.AlphaAlpha 和风格因子的构建和风格因