微信扫一扫联系客服

微信扫描二维码

进入报告厅H5

关注报告厅公众号

404

因子选股系列之八十一:周频量价指增模型-20220328-东方证券-19页

# 因子选股系列 大小:0.96M | 页数:19 | 上架时间:2022-03-29 | 语言:中文

类型: 策略

上传者: XR0209

撰写机构: 东方证券

出版日期: 2022-03-28

摘要:

⚫ 近年来以神经网络、决策树为代表的机器学习模型在日间高频量价选股模型中大放异彩,然而公募、保险等量化机构由于交易成本高、合规风控严等原因很难直接大规模采用高频策略,短期内借鉴高频量价中的一些方法应用在周频等相对低频的领域更有现实意义。

⚫ 传统的alpha 模型一般分为alpha 因子构建和因子加权两个步骤,前者我们基于循环神经网络设计多元因子单元从量价特征序列中学习长期有效且低相关的alpha 因子,后者我们采用动态加权方法给予近期表现较好的因子更高的重要性,以此兼顾更多学习样本和alpha 时变性的平衡。

⚫ 本文采用原始日线数据rawbar、分钟特征序列mschars、L2 特征序列l2chars 共三个数据集,每个数据集构建3 个因子单元,从每个数据集汇总打分的选股表现来看,同时生成多个alpha 因子的多元因子单元明显优于生成唯一预测的神经网络,另外简单直接的rawbar 并没有明显弱于精心设计的mschars 也说明因子单元强大的特征提取能力。

⚫ 近年来量价因子由于因子拥挤多头收益不断回落而空头保持稳定,根据长周期数据训练的因子单元难以捕捉这种近期才出现的非线性,我们采用LightGBM 实现的 GBDT 动态加权因子在一定程度上缓解了这种非线性,模型得分相对maxic 在分组的多头端收益有所改善,这种改善在容易出现因子拥挤的情形下更加明显。

⚫ 损失函数直接决定了模型学习的方向,损失函数中预测收益率label 的选择应该充分到可交易性,同时在组合存在换手控制的情形下应该适当拉长预测收益率使得组合收益和损失函数更加匹配。

展开>> 收起<<

请登录,再发表你的看法

登录/注册

XR0209

相关报告

更多

浏览量

(403)

下载

(1)

收藏

分享

下载

*

投诉主题:

  • 下载 下架函

*

描述:

*

图片:

上传图片

上传图片

最多上传2张图片

提示

取消 确定

提示

取消 确定

提示

取消 确定

积分充值

选择充值金额:

30积分

6.00元

90积分

18.00元

150+8积分

30.00元

340+20积分

68.00元

640+50积分

128.00元

990+70积分

198.00元

1640+140积分

328.00元

微信支付

余额支付

积分充值

填写信息

姓名*

邮箱*

姓名*

邮箱*

注:填写完信息后,该报告便可下载

选择下载内容

全选

取消全选

已选 1