【华源金工】StyleNet:捕捉市场风格信息的多因子挖掘模型

• 随着人工智能学科的快速发展，深度学习模型在选股问题上得到广泛应用并有较为突出的表现。早期深度学习RNN 1.0选股模型只训练Alpha因子来预测收益，但由于缺乏明确准则界定Alpha与风险，模型产生的因子易在市场风格突变时失效（如2024年“9.24”行情中产生的负相关风险），随后的ABCM 2.0体系虽然实现了Alpha与风险的分离，但仍无法完全刻画复杂的市场结构。我们认为在Alpha与风险之间存在一类“风格成分”，它们具有一定的截面解释力且选股能力微弱或不稳定，但其方向在特定条件下可被预测，因此我们搭建了一套用于捕捉风格信息的StyleNet 3.0选股模型。

• StyleNet模型的核心思想在于通过拟合一批选股能力不稳定但其方向具有一定可预测性的因子来形成相应的风格因子，最终再通过对风格因子进行短周期加权的方式来捕捉风格轮动带来的超额收益。

• 对比3个版本因子的相关性与风格暴露情况，我们可以得出结论：不同因子间相关性较低，获得alpha收益来源互不相同，将不同因子叠加能够起到提升稳定性的作用。且相对于RNN因子，StyleNet模型对市场风格切换的灵敏度相对更高。

• 对各个因子多头超额进行回测，我们发现：

  1. StyleNet因子2024年以来的超额净值走势与其他因子存在较大差异，并且其还能提供独立于RNN和ABCM因子的增量信息；

  2. 把StyleNet因子叠加到RNN+ABCM因子上，合成因子表现有了大幅提高，2018年以来中证全指上RankIC可达15.51%，年化多头超额可达49.42%。

• 合成因子在指增模型和行业轮动模型上亦有较好的表现：

  1. 2018年以来，因子在沪深300、中证500和中证1000指增模型上年化超额收益分别可达15.09%、17.83%和27.98%；

  2. 在行业轮动上的RankIC可达10.68%，Top5行业年化绝对收益可达23.83%，每年绝对收益均为正。

       深度学习模型应用于选股问题，通常采用一种相对直接的方法论：将选股问题建模为监督学习任务，通过最小化模型预测结果和个股收益率标签之间的均方误差（MSE损失）来产生相应的选股因子。在这套框架下，研究者认为个股收益率可被拆解为alpha信息和系统性风险信息，数学上可表示为如下形式：

r=alpha+ε

为分离个股收益率中的Alpha信息与系统性风险信息，研究者们往往在模型训练前对收益率标签进行人工风险中性化处理——如对市值、行业、动量等常见风险因子进行截面回归或分组中性化。这种方法隐含了一个简化假设：通过预先设定的风险模型可以清晰地区分Alpha与风险，并且中性化后的残差即为"纯净"的Alpha信号。

      然而，这种基于先验知识的粗糙中性化面临根本性挑战：

• 风险因子的选择本身具有主观性和不完备性，难以确保所有系统性风险被完全剥离；

• 中性化过程可能过度修正，将本属于Alpha的可预测成分误判为风险而剔除；

• 更为关键的是，传统方法缺乏明确的准则来界定"什么属于Alpha，什么属于风险"，导致模型产生因子的选股能力和选股稳定性受到影响，在不同市场环境中可能突然失效。

      根据公式 (1)，为了更加充分的学习出个股的广义alpha成分，我们设计了如下形式的网络结构（称之为StyleNet模型）来对个股的 alpha 成分进行拟合：

alpha=α(x,θ)+βi(x,θ)λi(x,θ)

其中 θ 表示神经网络可学习的参数，x 表示个股输入的时序量价特征。整个模型的架构可表示为下图所示：

      对于上述模型，我们首先将个股时序特征输入到RNN模型中来进行时序学习并提取截面特征 h：

h=RNN(x)

      对于风格收益率的构建，我们的思路是通过拟合出个股对风格影响程度的度量值来选取风格因子的多头股票组合，最后对组合内股票未来收益率进行加权求和形成风格因子的未来收益率。整个过程具体可表示为以下形式：

这里 r 表示个股未来截面标准化之后的收益率，fλ 表示MLP网络结构，batch表示每个交易日截面个股集合。

      上述公式中，我们使用 fλ(h) 来度量个股对风格的影响程度，并使用激活函数 ReLU 来进行尾部剔除（把模型认为影响程度较低的股票权重强行设置为0）。最后进行归一化操作，这样我们就得到了一个股票数量维的权重向量，其中大部分股票对应权重为0，只有少数股票权重严格大于0，权重大于0的股票组合我们就认为它们是风格因子的多头组合。最后我们使用个股的权重向量和个股截面标准化以后的未来收益率进行加权求和就形成了风格收益率 λi(x, θ)。

      加权收益率 λi(x, θ) 我们可以认为它是准确的风格收益率，因为它的计算过程中使用了未来信息 r 。因此其在样本外无法直接获得，为此我们额外训练了一个风格因子收益率预测器 γi(x, θ) 来逼近 λi(x, θ)，风格因子收益率预测器 γi(x, θ) 网络结构具体可表示为以下公式的形式：

      这里 fγ 表示MLP网络结构，Sim 表示向量计算相关系数，wk、wv 和 ei 均为模型可学习的参数。该网络结构本质上是一个attention机制，我们使用个股的表示向量 wkh 和风格的表示向量 ei 计算相关系数来衡量股票与风格的相似程度，最后使用这个相关系数对个股的信息向量 wvh 加权求和并进行维度调整就形成了风格收益率的预测值。

       整个模型对应的损失函数由两项组成，具体可表示为如下形式：

其中 λ 表示人工调节的超参数， 表示MSE损失。其中损失函数第一项代表个股收益率预测损失，而损失函数第二项表示风格收益率预测损失，两项损失加权形成整个模型的最终损失。最终样本外个股收益率预测则可表示为：

      本章我们将对样本外RNN、ABCM以及StyleNet因子性质以及对RNN和StyleNet因子样本外绩效进行对比。各项指标的定义分别如下：

1）回测区间：20171229~20260324；

2）RankIC & RankIC胜率 ：回测期内，双周频（与T+1~T+11收盘收益率）RankIC的各期均值与各期RankIC>0数量占比。

3）ICIR：双周频各期RankIC均值比标准差。

4）Top组超额收益率：中证全指成分股为分二十组，第一组成分股等权相对所有成分股等权计算超额，其他宽基指数分十组。周度调仓。

5）最大回撤及换手率：为多头组合超额最大回撤及多头组合的换手率。

6）因子相关性及风格暴露：每日计算因子间或与风格因子间的相关系数，然后整个回测区间内取平均结果。

      通过以上相关性分析，我们可以得出结论：

1.虽然输入数据完全一致但因子之间两两相关性相对较低，尤其是StyleNet因子与RNN因子，二者平均相关性仅仅只有52.44%，时序上二者长期相关性也在50%附近波动，这说明不同因子获得alpha收益的来源有较大差异。

2.在一些出现系统性风险的关键时点，因子相关性并没有趋同，相关性反而大幅下降，比如2024年2月流动性危机的市场环境下，StyleNet因子与ABCM因子和RNN因子相关性最低分别下降到了4.50%和-52.28%。这说明特殊市场环境下，因子的差异会加大，因此我们认为将这三个因子进行叠加大概率能够使得综合因子起到分散风险、提升稳定性的作用。

       接着，我们展示各个因子在市值和Beta风格上的时序暴露情况：

      通过各个因子风格暴露情况，我们可以得出以下结论：

1.相对于RNN因子，StyleNet因子与ABCM因子捕捉到了更多风格轮动相关的信息，两者风格暴露情况更为相似，近两年与市值和Beta风格因子相关性正负号的切换更加的剧烈。

2.在一些出现系统性风险的关键时点，StyleNet模型对市场风格切换的灵敏度相对于RNN和ABCM因子更高，2024年2月流动性危机的市场环境下，市值因子相对市场有显著的正向超额，StyleNet因子会更为快速的切换至大盘，2024年2月6日，RNN和ABCM因子与市值因子相关性分别为-72.23%和-17.41%，而StyleNet因子为55.61%。2024年9月下旬，市场大涨，Beta风格相对市场显著的正超额，2024年10月8日，RNN和ABCM因子与Beta因子相关性分别为-64.84%和-51.93%，而StyleNet因子为-6.39%。

      通过各个因子多头超额回测结果，我们可以得出以下结论：

1. 在2024年的市场环境下，相较于ABCM因子，StyleNet因子整体表现会更强，在2024年2月流动性风险的市场环境下，StyleNet因子由于对市值风格的切换其超额并没有像另外三个因子一样出现回撤，反而出现了大幅上升，这是StyleNet因子的一个比较明显的优势。

2. StyleNet因子能提供独立于RNN和ABCM因子额外的增量信息，通过把StyleNet因子叠加到RNN+ABCM因子上以后，合成因子表现有了大幅的提高，2021年以来合成因子多头超额每年都能大幅跑赢RNN+ABCM因子，且RankIC胜率、ICIR和多头超额最大回撤等指标均有明显的改善。

本节我们将各个seed产生的信号进行平均操作，再将平均信号放到样本外回测绩效表现。策略具体的构建方式：每天计算对未来N日各个指数的涨跌幅的预测值，并基于其正负号，可以形成每日指数的多空信号：

• 若预测结果为正，则意味着模型根据当前特征X预测指数未来上涨可能性更高，则生成看多信号。

• 若预测结果为负，则意味着模型根据当前特征X预测指数未来下跌可能性更高，则生成看空信号。

我们将指数视作一个期货品种，既能做多也能做空，具体策略回测的设定如下：

• 回测区间：20200101~20251231；

• 交易价格：根据当日收盘得到的信号于次日收盘价进行买卖交易，不考虑交易费用；

• 多和空收益方式：若当日收盘信号做多则策略收益率为T+2收盘价除以T+1收盘价减1，若当日收盘信号做空则策略收益率为T+1收盘价除以T+2收盘价减1；

• 调仓方式：每天观测信号是否发生切换，若发生切换则进行调仓，反之则持仓不变。