东方证券-因子选股系列之一〇六：基于风险注意力的因子挖掘模型-240529

　　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