量化专题报告：深度风险模型与强化风险模型的构建及组合优化.pdf

量化专题报告：深度风险模型与强化风险模型的构建及组合优化。传统风险模型在市场冲击下解释度降低，深度风险模型（Deep Risk Model）可以改善这一问题。传统风险模型（如 Barra 模型）在市场冲击下解 释度下降，难以捕捉市场中的非线性关系。通过构建基于图注意力网络 （GAT）和门控循环单元（GRU）的深度风险模型，日度收益回归解释度较传 统模型提升 4%至 33%，2024 年 9 月等市场波动时期提升尤为显著。

深度风险模型用于组合优化对深度学习因子与基本面因子均有提升。对于 深度学习 alpha 因子 Meta_Master，深度风险模型相较传统风险模型在沪深 300 指数增强组合信息比率持平，中证 500，中证 1000 指数增强组合信息比率 提升 0.2 左右。对于基本面价值因子 AEG，深度风险模型在沪深 300 指数增强 组合信息比率持平，中证 500 指数增强组合信息比率提升 0.6，中证 1000 指数 增强组合信息比率提升 0.8，效果明显。

强化风险模型（Reinforcement Risk Model）可进一步提升解释度以及 组合优化表现。引入强化学习 PPO 算法动态优化风险因子生成，解决深度风险 模型因重新训练导致的因子含义不一致等问题，解释度进一步提升至 35.3%， 与深度学习 alpha 因子相关性有所降低，同时因子在时序上更加稳定，适合实 际应用与生产。在组合优化中，Meta_Master 强化学习沪深 300 指数增强组合 年化超额收益 9.2%，信息比率 1.89，较深度风险模型提升 0.2 左右；中证 500 指数增强组合年化超额收益 11.7%信息比率 2.73，较深度风险模型提升 0.2 左 右；中证 1000 指数增强组合年化超额收益 13.4%，信息比率 2.58，较深度风 险模型下降 0.2 左右。

LinSAT 网络支持在深度神经网络中进行组合优化，端到端输出组合持仓， 收益弹性显著提升。在组合优化中，端到端的 LinSAT 网络直接输出满足约束的 持仓权重，我们利用 Meta_Master 模型中最后一层的 Encoder 与 LinSAT 网络 进行拼接，模型输出为每只股票的持仓权重，并在 LinSAT 网络中加入行业，市 值，及深度风格暴露约束以及个股权重约束（考虑成分股），并在沪深 300、中 证 500、中证 1000 指数成分股中分别训练，最终 3 个指数增强策略年化超额收 益分别达到 13.0%、16.6%、17.1%，信息比率最高达 3.27，收益弹性提升， 跟踪误差略微放大，信息比率显著提升，显著优于之前所有方法。

强化学习进行多目标学习同时输出风险因子与组合持仓，效果一般。强化 学习同样可以将 alpha 信号与风险因子共同纳入考量，构建投资组合。我们延 用 PPO 算法，重新定义 CMDP 问题。在输入端加入 Meta_Master 模型 Encoder 的输出部分，通过双头网络输出当日的股票持仓与风险因子，在奖励 函数中加入收益奖励部分，并约束风险因子与组合持仓的稳定性以及风格暴露 等因素， 直接取持仓动作作为交易信号，超额收益与信息比率均有下降，效果 不理想。