金融工程專題報告：如何克服因子表現(xiàn)的截面差異，分域訓(xùn)練在深度學(xué)習(xí)情景下的嘗試.pdf

金融工程專題報告：如何克服因子表現(xiàn)的截面差異，分域訓(xùn)練在深度學(xué)習(xí)情景下的嘗試。在深度學(xué)習(xí)場景下進行分域訓(xùn)練嘗試，在一定程度上可以增強因子表現(xiàn)更好的中小 市值股票選股能力，對于大市值股票選股能力甚至有一定程度削弱。

選取不同的 Loss 函數(shù)，深度學(xué)習(xí)因子表現(xiàn)會有顯著差異：從不同 Loss 函數(shù)表現(xiàn)來看，MAE 表現(xiàn)顯著弱于 MSE 或者 IC，盡管從理論 上來看，以收益率取 Rank 的 MAE 作為 Loss 函數(shù)可以最大程度照 顧不同歷史收益分布的股票表現(xiàn)，但從單因子表現(xiàn)來看，無論在全 市場還是在不同的指數(shù)成分中，多空收益與多頭收益均顯著弱于其 他 Loss 函數(shù)。整體而言，偏中小盤的 500、1000 增強組合，以不取 Rank 的 IC、MSE 為 Loss 函數(shù)會有更好的收益表現(xiàn)，尤其對于 1000 增強組合而言，最為極端的 IC 作 Loss 函數(shù)表現(xiàn)最優(yōu)。添加 Rank 雖 然無法顯著提升組合收益，但對于控制組合回撤往往有比較好的作 用，無論在 300，500 或者 1000 增強中，添加了 Rank 的 Loss 函數(shù) 回撤均顯著小于不添加 Rank 的 Loss 函數(shù)。

按照市值重新加權(quán)因子，對于中證 500 與中證 1000 增強組合有明 顯選股效果提升，滬深 300 效果提升不顯著：對于滬深 300 而言， 分域加權(quán)的方式幾乎無法對基礎(chǔ)組合產(chǎn)生增強效果，以 base_w=0 進 行極端賦權(quán)，其收益狀況可能更加惡化。在 500 寬約束組合中，分 域訓(xùn)練可以有一定的提升效果，但整體而言效果并不顯著。嚴(yán)約束 組合則無法通過分域訓(xùn)練得到最顯著的模型提升。市值分域加權(quán)對 于 1000 增強組合的提升較為顯著，無論寬嚴(yán)組合，年化收益提升均 能超過 1%。整體來看，與基于線性回歸的因子動量組合不同，雖然 均以量價因子為主，且因子構(gòu)建邏輯基本相近，但按市值分域?qū)τ?深度學(xué)習(xí)因子增強主要體現(xiàn)在中小市值股票，而線性回歸模型則主 要體現(xiàn)在大市值股票中。

深度學(xué)習(xí)因子需要面對數(shù)據(jù)本身選股能力高低以及能否獲得理論 最優(yōu)參數(shù)的雙重限制：深度學(xué)習(xí)模型參數(shù)的設(shè)定需要通過梯度下降 的方法在參數(shù)空間中尋找最優(yōu)解。而由于防止陷入局部最優(yōu)，計算 資源有限等限制，這種尋找過程往往受到隨機的初始點的影響，并 會依據(jù)模型在驗證集上是否有提升設(shè)計早停機制。這樣的最優(yōu)解方 式使得每次得到的最優(yōu)解存在大幅波動，并且很難得到理論上真正 的全局最優(yōu)解。對于深度學(xué)習(xí)模型而言，輸入信息包含有效信息過 少，信噪比過低，除了會導(dǎo)致模型本身的理論預(yù)測能力不足外，我 們通過梯度下降得到的參數(shù)甚至距離理論最優(yōu)參數(shù)都有很大的距 離，極端情況下我們得到的參數(shù)本可能就是噪音。