量化選股策略：多模型集成量價Alpha策略.pdf

量化選股策略：多模型集成量價Alpha策略。隨著各家機構量化因子庫的不斷完善，人工因子的挖掘逐漸遇到瓶頸。此外， 因子擁擠度提升和策略同質化的現象導致傳統因子多頭收益率的降低。基于機 器學習的非線性模型用于因子挖掘的算法逐漸受到重視。本文將基于量價數據 和不同的模型探討機器學習生成 Alpha 因子的表現。

本文基于截面模型 MLP、GBDT 和時序模型 GRU 構建因子生成模型。在引 入截面特征序列后截面模型與時序模型的因子學習能力基本處于同一水平。

引入 Attention 機制后 GRU 生成的因子表現沒有明顯提高。可能是由于模 型復雜度的提升，需要更多的樣本數據和訓練輪數來學習量價特征。

基于 GBDT 的截面模型因子，在全 A 成分股內，RankIC 為 10.66%，ICIR 為 1.14（未年化），分 20 組的多頭對沖年化收益率為 29.84%；基于 GRU 的時序模型因子在全 A 成分股中，RankIC 為 11.3%，ICIR 達到 1.06（未 年化），分 20 組的多頭對沖年化收益率為 28.83%

模型集成后的得到得集成因子相比于單個模型得到的因子表現提升較為明 顯。集成因子與常見因子的相關性整體較低。集成因子相比于單個模型的因 子 RankIC 提升到 11.9%，ICIR 達到 1.13（未年化），多頭收益率提高到 33.11%。