低频因子模型的挑战 

基于多因子模型的框架，我们通常构建因子预测股票截面收益，进而通过组合优化得到股票持仓，在此机器学习/深度学习与传统框架契合。

传统选股因子来源于手工构建的基本面或者交易指标等，而机器学习/深度学习算法则能自动化搜索挖掘有效信号。区别于基本面特征更多的基于逻辑驱动，对于量价特征我们可以利用各类算法基于数据驱动挖掘增量信息。

对于“数据->特征->因子”模式，通常数据源最为关键，其次是特征设计，模型的重要性则要弱于前两者。完成数据准备和特征构建后，遗传规划、神经网络等经典算法可以帮助我们挖掘一些有效信号。

金融数据具有明显的时序特征，深度学习模型中的RNN模型，在基于时序信息建模中表现出优异效果，RNN模型的基本结构如下：

输入：，T为序列长度，

，m为特征数，；

隐藏层： 

输出层：

损失函数：

用loss度量预测值和真实值之间的误差，根据误差反向传播，训练参数矩阵U,W,V。

由于RNN面对长序列数据存在梯度消失等缺陷，因此在RNN基础上衍生出了LSTM、GRU等模型。本文以LSTM为例，探索深度学习模型对于股票时序数据中的alpha信息捕捉。

首先，以往我们在线性模型中的输入特征向量通常为因子截面，通过因子加权，得到股票收益预测/因子，输入样本为一维数据：

模型经过计算之后得到股票收益预测/因子得分f(x)。

此外，近年来transformer在自然语言学习等领域展现出良好表现，其核心在于注意力机制的引入。因此，在LSTM基础上，我们在隐藏层后设计了一个简易自注意力机制。

假设hidden为序列的隐藏层，我们通过线性层提取Q、K、V矩阵：

利用score作为最终的因子值，以上则为本文所设计的模型结构。

最后，具体训练模型时，考虑到模型输出信号的可交易性，我们以股票T+1至T+11的vwap价格计算的收益率为预测目标：

1. 模型每年滚动训练，在每年年初以股票过去8年的历史数据为数据集，按照时间先后，拆分后10%数据作为验证集，其余为训练集；

2. 我们假设在不同日期的股票样本是有差异的，即训练时每个batch的input为T日所有股票样本；

3. 预测目标label为股票收益率对行业、市值回归之后的残差zscore值；

4. 损失函数loss定义为pred与label之间的pearson correlation；

5. 采取early stop机制防止训练过拟合，验证集loss多次不下降时停止训练，返回验证效果最好的参数组合；

而对于模型绩效的提升，一般通过几个维度展开：

1. 通过调整超参数选取、label构建、数据预处理方式等精进单一模型；

2. 对同一数据集根据不同模型训练，堆叠多模型的输出；

3. 对同一模型构建差异化数据集输入，堆叠多数据集的输出；

本文将探索第三个维度，尝试构建不同数据集提取不同是alpha信息。我们基于端到端建模最常使用的是股票的日行情数据，日级别的价格和成交额、量等信息。

微观角度看，日行情特征集合是股票高频逐笔交易数据根据成交的价/量信息降频后衍生出的日频特征。按照这个思路，我们可以把特征工程建立在从高频数据中降频生成类似的特征集合。

日/周/分钟频率行情数据集合：价格的开、高、低、收、成交额/量等。

资金流特征集合：逐笔成交数据根据订单的金额大小拆分，衍生得到日频率资金流特征：特大、大、中、小单买入/卖出金额。

日内收益特征集合：日内数据按照30分钟窗口拆分，可以得到区间收益的开高低收分布：开盘收益率，早盘收益率、尾盘收益率、最高收益率、最低收益率、平均收益率。

由于训练具有随机性，不同随机数种子训练出的模型结果存在差异。分析表明，相同模型下堆叠不同随机数种子训练出的结果可以提升模型绩效。

但是，受限于算力限制，本文所有结果均在CPU上训练、推理，因此我们只展示根据单一随机数种子训练的结果。

因子检验时，我们计算T日因子对于T+1至T+6日vwap价格计算的收益的预测能力，即检验因子对于周度窗口的预测有效性，并展示因子20分组多头的扣费前超额收益。

3.1 低频行情数据集

数据集：

股票日行情bar_daily、周行情bar_weekly

数据特征：

开盘价、最高价、最低价、收盘价、均价、5/10/20日均线、成交量、成交额；

数据预处理：

1. 数据滚动30日窗口取数据构建数据集，数据序列长度为30；

2.  价格数据先除以最新收盘价标准化，而后整体在面板上zscore；

3.  成交量/额数据除以序列均值标准化，而后单独在面板上取zscore；

日线因子bar_daily在2017年以来多空年化收益91.7%，多头超额收益33.6%，因子IC均值10.7%，IC周度胜率为84.7%，ICIR为1.00。

周线因子bar_weekly在2017年以来多空年化收益85.4%，多头超额收益31.6%，因子IC均值10.4%，IC周度胜率为85.7%，ICIR为1.01。

3.2 日内行情数据集

数据集：

股票日内行bar_minutely、日内收益分布intra_return:

数据特征：

bar_minutely：开盘价、最高价、最低价、收盘价、均价、成交量、成交额；

intra_return：股票日开盘收益率、早盘30分钟收益率、日内最高收益率、日内最低收益率、尾盘30分钟收益率、日内平均收益率；

数据预处理：

1. 30分钟K线滚动5日窗口取数据构建数据集，数据序列长度为40，价格和成交量数据特征标准化方式与3.1中一致；

2. intra_return数据集中6个收益率特征一起面板上zscore；

分钟线因子bar_minutely在2017年以来多空年化收益84.9%，多头超额收益28.3%，因子IC均值10.7%，IC周度胜率为88.2%，ICIR为1.13。

日内收益分布因子intra_return在2017年以来多空年化收益80.6%，多头超额收益25.6%，因子IC均值10.3%，IC周度胜率为86.7%，ICIR为1.10。

3.3 其他衍生数据集合

数据集：

资金流数据集合money_flow、量价因子衍生集合pv_factor：

数据特征：

money_flow：特大单、大单、中单、小单买入/卖出金额；

pv_factor：日收益率、开盘收益率、换手率、非流动冲击、振幅、3/5日收益率、3/5日波动率、日内波动率等11个日频特征；

数据预处理

1. 将各类型金额除以当日成交总额标得到比例值；

2. 数据滚动30日窗口取数据构建数据集，数据序列长度为30；

3.  资金流数据集中8个资金流比例特征在面板上标准化；

4.  衍生因子数据集中各个指标单独在面板标准化；

资金流因子money_flow在2017年以来多空年化收益62.0%，多头超额收益13.7%，因子IC均值7.2%，IC周度胜率为82.4%，ICIR为0.86。

量价因子衍生数据集因子在2017年以来多空年化收益85.0%，多头超额收益29.3%，因子IC均值9.9%，IC周度胜率为88.4%，ICIR为1.13。

3.4 综合因子nn_score

根据前文，我们根据6个不同数据集基于LSTM模型训练了6个因子。下图展示了这6个因子之间相关性的矩阵图。

整体而言，6个因子间存在较明显的截面相关性，基于量价信息衍生出的各数据集因子相关性均在50%左右，而资金流因子与其他因子相关性较低，平均相关性在30%以下。

通常我们会基于xgboost、lightgbm等树模型进一步拟合因子之间的非线性信息，得到综合打分。但考虑到我们目前因子数据较少，我们直接将6个因子等权线性相加，得到综合深度学习因子nn_score。

固定5天为预测窗口，分别计算T日因子在T+1至T+20日买入的绩效，因子选股能力随着滞后期增加而衰减，滞后期在10天附近因子ic衰减一半，在滞后20日后衰减至约25%水平。深度学习因子alpha的衰减速度并不快，也正因此随着预测窗口增加ic反而出现进一步提升。

基于综合因子，我们分别构建中证500/1000指数增强组合，组合周度调仓，以最大化预期收益为目标，约束单次换手不超过20%，次日均价撮合，双边千3计费。