简单观察|「华泰金工林晓明团队」再探AlphaNet:结构和特征优化——华泰人工智能系列之三十四( 四 )


我们将AlphaNet-v2在每个截面上的预测结果视为合成的单因子 , 构建相对于中证800的行业、市值中性选股策略并进行回测 。 图表29~图表31展示了个股权重偏离上限为1%时的回测结果 。 AlphaNet-v2在多项测试指标上都优于AlphaNet-v1 。
由于AlphaNet-v3结构较为复杂 , 对算力要求较高 , 本章仅在中证500成分股内测试AlphaNet-v3 , 并与AlphaNet-v2进行对比 。
单因子IC测试的方法如下:
1.样本空间:中证500成分股 。 剔除ST、PT股票 , 剔除每个截面期下一交易日涨跌停和停牌的股票 。
2.回测区间:2011年1月31日到2020年7月31日 。
3.截面期:每隔10个交易日 , 用当前截面期因子值与当前截面期至下个截面期内的个股收益计算RankIC值 。
4.为了分析合成因子的增量信息 , 会展示因子进行行业、市值、10日收益率、10日波动率、10日换手率五因子中性化后的测试结果 。
单因子分层测试的方法如下:
1.股票池、回测区间、截面期均与IC测试一致 。
2.换仓:在每个截面期得到预测值 , 构建分层组合 , 在截面期下一个交易日按当日vwap换仓 , 交易费用为单边千分之二 。
3.分层方法:先将因子暴露度向量进行一定预处理 , 将股票池内所有个股按处理后的因子值从大到小进行排序 , 等分N层 , 每层内部的个股等权重配置 。 当个股总数目无法被N整除时采用任一种近似方法处理均可 , 实际上对分层组合的回测结果影响很小 。 分层测试中的基准组合为股票池内所有股票的等权组合 。
4.多空组合收益计算方法:用Top组每天的收益减去Bottom组每天的收益 , 得到每日多空收益序列r1,r2,...,rn , 则多空组合在第n天的净值等于(1+r1)(1+r2)...(1+rn) 。
5.为了分析合成因子的增量信息 , 会展示因子进行行业、市值、10日收益率、10日波动率、10日换手率五因子中性化后的测试结果 。
构建行业市值中性的指数增强策略回测的方法如下:
1.股票池、回测区间、截面期均与IC测试一致 。
2.换仓:在每个截面期得到预测值 , 通过组合优化模型得到新的持仓股票和权重 , 在截面期下一个交易日按当日vwap换仓 , 交易费用为单边千分之二 , 每次调仓双边换手率限制在60% 。
中证500成分股内测试
单因子IC测试
我们将AlphaNet-v2和AlphaNet-v3在每个截面上的预测结果视为合成的单因子 , 进行单因子IC测试 。 图表32和图表33展示了合成因子的IC测试结果 , AlphaNet-v3在各项测试指标上都优于AlphaNet-v2 。
我们将AlphaNet-v2和AlphaNet-v3在每个截面上的预测结果视为合成的单因子 , 进行单因子分5层测试 。 图表34~图表36展示了合成因子的分层测试结果 , AlphaNet-v3在各项测试指标上都优于AlphaNet-v2 , 但优势并不显著 。


推荐阅读