民生证券-量化专题报告：深度学习模型如何控制策略风险？-2024.4.25

免费

3.0 凡人 2024-04-30 123 27 3.1MB 26 页免费

侵权投诉

本公司具备证券投资咨询业务资格，请务必阅读最后一页免责声明

证券研究报告

量化专题报告

深度学习模型如何控制策略风险？

2024 年04 月25 日

➢ 深度学习模型 2024 年年初波动较大，本报告提出三类解决方案提升风险

控制能力。因为资金面震荡，微盘股表现不佳等原因，传统深度学习因子二月

初多空回撤超过 20%，波动明显。本报告尝试了三个试图提高深度学习稳定性

的方法以增强其应对风险的能力：

1. 通过对高频数据的引入，提高模型颗粒度以更快应对市场异常；

2. 在模型中加入风格控制，减少对风格轮动的学习，约束风格暴露；

3. 使用元增量学习方法，提高模型敏感度。

➢ 方案 1：高频行情输入优化交易提升了收益但对回撤控制作用有限。我们

采用过去五个交易日的五分钟高频量价数据，预测未来 2个交易日的股票收益

排序。高频输入的深度学习因子日度 RankIC 均值 0.087，在宽基指数内 IC 衰

减降低。用高频信号对日频信号策略进行调仓优化，优化后混频策略在中证

500，中证 1000 内年化超额收益分别提升 4.6%，4.9%，但跟踪误差均无明显

变化，且今年回撤仍然较大。故由于高频输入对 3σ外的风险限制能力有限，且

单日的交易优化无法避免组合持续回撤的趋势，无法显著控制组合回撤。

➢ 方案 2：在模型中加入风格惩罚，控制模型风格暴露，降低风险。深度学

习因子在 2023 年下半年通过在价值，盈利，波动率，流动性等因子上的暴露获

得了一定收益，2024 年初，因子风格发生剧烈波动，在 2月份突然偏向小微

盘，并且在贝塔，市值等因子上与市场走势完全相反。模型在此期间进行了错

误的风格择时，很大程度上导致了因子表现的回撤。故我们可以通过在模型中

加入风格因子及风格动量的嵌入，以及在损失函数端加入关于风格偏离的惩罚

来进行风险控制。改进后因子 RankIC 有一定降低，但中性化因子的 IC 衰减显

著优于改进前模型，多头组合年化收益有所降低，但信息比率显著提升。

➢ 方案 3：沿用元增量学习框架可进一步控制模型回撤。鉴于元增量学习具

有对于市场变化快速适应的能力，我们可以将这一框架与模型进行结合。将底

层模型改为加入风格输入后的 ALSTM 模型，并在损失函数中加入风格偏离的控

制，在外层沿用上一篇研究中提出的元增量学习框架。最终策略在中证 500 上

信息比率提升 0.5，在中证 1000 上信息比率提升 0.4，并且 2024 年均已取得正

向超额收益。重新对模型多头端进行风格分析，发现模型的风格偏离降低，且

风格波动减小，帮助模型控制了风险。

➢ 综合来说，应用加入风格惩罚的元增量学习模型可以较好地控制模型回

撤。在本篇研究中，针对深度学习模型在今年年初波动过大的问题，我们尝试

了3种控制模型风险的方法，对基模型进行改进。分别为加入高频数据输入，

在模型中添加风格因子，风格动量嵌入与风格惩罚，以及应用元学习框架进行

增强。最终通过对前三篇研究成果的同时应用控制了模型风险，构建了兼顾收

益与风险的深度学习策略。

➢ 风险提示：量化模型基于历史数据，市场未来可能发生变化，策略模型有

失效可能。

[Table_Author]

分析师

叶尔乐

执业证书：

S0100522110002

邮箱：

yeerle@mszq.com

研究助理

韵天雨

执业证书：

S0100122120002

邮箱：

yuntianyu@mszq.com

相关研究

1.基金分析报告：基金季报 2024Q1：有色

仓位高点，金铝为主-2024/04/23

2.量化周报：流动性与分歧度边际回升-202

4/04/21

3.量化分析报告：黄金：1978-2024/04/17

4.量化周报：预期不定环境选择高置信度区

间-2024/04/14

5.量化周报：继续保持一致上涨状态-2024/

04/07

量化专题报告

本公司具备证券投资咨询业务资格，请务必阅读最后一页免责声明

证券研究报告

1 传统深度学习模型风险显露 ...................................................................................................................................... 3

2 方案 1：构造高频行情输入以优化交易策略............................................................................................................... 7

2.1 用高频数据构建深度学习模型 ......................................................................................................................................................... 7

2.2 基于短期收益预测的交易优化策略 ................................................................................................................................................. 8

3 方案 2：在深度学习模型中加入风格惩罚 ............................................................................................................... 12

3.1 深度学习风格波动明显 .................................................................................................................................................................... 12

3.2 通过风格控制降低策略风险 ............................................................................................................................................................ 13

4 方案 3：加入风格控制的元增量学习 ...................................................................................................................... 17

4.1 加入元增量学习的 ALSTM 模型 .................................................................................................................................................... 17

4.2 效果实证与分析 ................................................................................................................................................................................ 19

5 总结与思考 ............................................................................................................................................................ 22

6 风险提示 ............................................................................................................................................................... 24

插图目录 .................................................................................................................................................................. 25

表格目录 .................................................................................................................................................................. 25

量化专题报告

本公司具备证券投资咨询业务资格，请务必阅读最后一页免责声明

证券研究报告

1 传统深度学习模型风险显露

尽管传统深度学习模型有着出色的历史表现，但是在 2024 年一月下旬至春

节前出现了较大回撤。深度学习由于其历史上的优异表现，已经被广泛应用于投

资组合构建。然而，随着深度学习在小盘风格上的暴露逐渐增加，深度学习模型

的风险也渐渐显露。在 2024 年2月初市场风格波动明显的情况下，传统深度学

习模型因子的多空收益回撤超过 20%。尽管在节后反弹明显，但截至 4月中旬，

因子多头组超额收益仍然没有回正，对很多投资者产生了较大影响。

针对深度学习模型的风险控制，本篇尝试了三个试图提高深度学习稳定性的

方法以增强其应对风险的能力：

1．通过对高频数据的引入，提高模型颗粒度以更快应对市场异常；

2．在模型中加入风格控制，减少对风格轮动的学习，约束风格暴露；

3．使用元增量学习方法，提高模型敏感度。

日频 ALSTM 因子多头组合在 2024.2 月初回撤较大。主要原因为市场出现

的资金面踩踏及微盘股的巨幅下跌。深度学习因子在大幅暴露小市值的情况下，

较其他的量化因子出现了更大回撤，单周多空收益回撤超过 20%。在春节前 3天

指数大幅回弹时，因子多头组合仍然下跌，表现黯淡。尽管节后有所反弹，但反

弹程度仍不及指数。

图1：日频 ALSTM 因子 2023 年下半年以来表现

图2：宽基指数 2023 下半年以来表现

资料来源：wind，民生证券研究院

对于基模型，我们采用的是《基于可见性图嵌入的沪深 300 深度学习增强策略》

中的 DA-RNN 第二步注意力机制。即时序上的注意力结构，模型旨在对每一个

时间步上面 LSTM 隐藏层的输出进行加权，影响隐藏层的输出，同时一起输出相

当于隐藏层维度的注意力权重分数。此 ALSTM 的模型结构如下图所示。

研报加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载研报到电脑，查找使用更方便

免费 27人已下载

立即下载

标签： #量化

摘要：

本公司具备证券投资咨询业务资格，请务必阅读最后一页免责声明证券研究报告1量化专题报告深度学习模型如何控制策略风险？2024年04月25日➢深度学习模型2024年年初波动较大，本报告提出三类解决方案提升风险控制能力。因为资金面震荡，微盘股表现不佳等原因，传统深度学习因子二月初多空回撤超过20%，波动明显。本报告尝试了三个试图提高深度学习稳定性的方法以增强其应对风险的能力：1.通过对高频数据的引入，提高模型颗粒度以更快应对市场异常；2.在模型中加入风格控制，减少对风格轮动的学习，约束风格暴露；3.使用元增量学习方法，提高模型敏感度。➢方案1：高频行情输入优化交易提升了收益但对回撤控制作用有限。我们...

展开>> 收起<<

民生证券-量化专题报告：深度学习模型如何控制策略风险？-2024.4.25.pdf

共26页,预览8页

还剩页未读，继续阅读