量化选股策略：多模型集成量价Alpha策略.pdf

量化选股策略：多模型集成量价Alpha策略。随着各家机构量化因子库的不断完善，人工因子的挖掘逐渐遇到瓶颈。此外， 因子拥挤度提升和策略同质化的现象导致传统因子多头收益率的降低。基于机 器学习的非线性模型用于因子挖掘的算法逐渐受到重视。本文将基于量价数据 和不同的模型探讨机器学习生成 Alpha 因子的表现。

本文基于截面模型 MLP、GBDT 和时序模型 GRU 构建因子生成模型。在引 入截面特征序列后截面模型与时序模型的因子学习能力基本处于同一水平。

引入 Attention 机制后 GRU 生成的因子表现没有明显提高。可能是由于模 型复杂度的提升，需要更多的样本数据和训练轮数来学习量价特征。

基于 GBDT 的截面模型因子，在全 A 成分股内，RankIC 为 10.66%，ICIR 为 1.14（未年化），分 20 组的多头对冲年化收益率为 29.84%；基于 GRU 的时序模型因子在全 A 成分股中，RankIC 为 11.3%，ICIR 达到 1.06（未 年化），分 20 组的多头对冲年化收益率为 28.83%

模型集成后的得到得集成因子相比于单个模型得到的因子表现提升较为明 显。集成因子与常见因子的相关性整体较低。集成因子相比于单个模型的因 子 RankIC 提升到 11.9%，ICIR 达到 1.13（未年化），多头收益率提高到 33.11%。