主要行业
点击进入可选择细分行业
【免责条款】
1. 用户直接或通过各类方式间接使用慧博投研资讯所提供的服务和数据的行为,都将被视作已无条件接受本声明所涉全部内容;若用户对本声明的任何条款有异议,请停止使用慧博投研资讯所提供的全部服务。
2. 用户需知,研报资料由网友上传,所有权归上传网友所有,慧博投研资讯仅提供存放服务,慧博投研资讯不保证资料内容的合法性、正确性、完整性、真实性或品质;
3. 任何单位或个人若认为慧博投研资讯所提供内容可能存在侵犯第三人著作权的情形,应该及时向慧博投研资讯提出书面权利通知,并提供身份证明、权属证明及详细侵权情况证明。慧博投研资讯将遵循"版权保护投诉指引"处理该信息内容;
4.本条款是本站免责条款的附则,其他更多内容详见本站底部《免责声明》;
研究结论
在之前的报告中,我们通过使用行业关联、分析师共同覆盖和基金共同持仓这三种股票间的显式关系,构建了一个异构图模型。http://www.hibor.com.cn【慧博投研资讯】这个模型使得个股特征可以在三种关系路径上传播和聚合,从而引入关联股票的信息,提升了原始因子的表现。http://www.hibor.com.cn(慧博投研资讯)在本文中,我们利用注意力机制解决了股票间关联关系刻画的诸多难点,实现了时序信息和空间信息的融合。仅仅使用行情信息和风险因子的情况下,我们的RankIC达到了0.106,多头超额年化收益率达到了40.3%。
先验图的缺陷包括以下几点:1)稀疏性:例如,近期没有被分析师覆盖的大多数个股,无法与其他股票在分析师层面上产生关联。2)对称性:大部分的先验关系不具有方向性,大小市值的个股对彼此的影响权重是相同的,这有悖于常识。3)主观性:先验关系大多来自于人为定义,比如行业定义、研报覆盖窗口和基金池等。4)滞后性:类似基金持仓的披露数据相比实际发生时间滞后了2-4个月。5)类别众多:异构图模型的参数量与关系种类成正比,关系种类越多,模型参数量越大。
图网络与注意力机制的一致性:图注意力网络(GAT)通过将“目标节点特征”和“源节点特征”合并并降维,计算出关联权重,这种注意力机制被称为“加性注意力”。与之对应的“乘性注意力”则通过“目标节点特征(Q)”和“源节点特征(K)”的点积来获得关联权重。无论使用哪种注意力机制,一旦获得关联权重,节点特征(V)便在该关联矩阵上进行传播和聚合,二者的机制基本一致。
用风险关联传播量价特征:在传统的Transformer模型中,如果Q、K、V都来自同一数据源,则为自注意力;如果只有K和V来自同一数据源,则为跨注意力。在本文中,Q和K源自风险因子,而V源自行情数据,用以探索基于风险特征的注意力是否能引入关联股票的量价特征,从而增强个股的量价特征。我们将这个模型称为Risk-Attention模型。
数据和训练:本文使用了30天的OHLCV时序数据作为行情数据,10个DFQ2020因子(类似Barra因子)加上29个行业哑变量,共计39个截面风险因子。我们对未来T+1至T+11天的收益率标签进行拟合。训练策略采用“10+1+1”的“训练-验证-测试”窗口,按年进行滚动训练。每个数据集训练三次,并取预测结果的平均值,样本频率为周频。
回测结果:Risk-Attention模型在周频(2018年1月5日-2024年3月15日)上的表现如下:RankIC为0.106,ICIR为6.30,夏普值为5.23,多头超额年化收益率达到40.3%。相较于仅使用时序信息的Raw GRU和简单拼接风险因子的Cat MLP,Risk-Attention在2020年后的收益表现尤为突出,体现出了其结构的有效性(如下图所示)。
风险提示
量化模型失效风险、市场极端环境冲击
为了完善报告评分体系,请在看完报告后理性打个分,以便我们以后为您展示更优质的报告。
您也可以对自己点评与评分的报告在“我的云笔记”里进行复盘管理,方便您的研究与思考,培养良好的思维习惯。
正在加载,请稍候...