【招商定量·深度报告巡礼之三】多模型集成量价Alpha策略

文章预览

随着各家机构量化因子库的不断完善，人工因子的挖掘逐渐遇到瓶颈。此外因子拥挤度提升和策略同质化的现象导致传统因子多头收益率的降低。基于机器学习的非线性模型用于因子挖掘的算法逐渐受到重视。本文将基于量价数据和不同的模型探讨机器学习生成Alpha因子的表现。 本文基于截面模型MLP、GBDT和时序模型GRU构建因子生成模型。在引入截面特征序列后截面模型与时序模型的因子学习能力基本处于同一水平。 引入Attention机制后GRU生成的因子表现没有明显提高。可能是由于模型复杂度的提升，需要更多的样本数据和训练轮数来学习量价特征。 基于GBDT的截面模型因子，在全A成分股内，RankIC为10.66%，ICIR为1.14（未年化），分20组的多头对冲年化收益率为29.84%；基于GRU的时序模型因子在全A成分股中，RankIC为11.3%，ICIR达到1.06（未年化），分20组的多 ………………………………