“学海拾珠”系列之二百零四，RSDFM：基于连续状态的动态因子模型.docx

正文目录

TOC\o1-2\h\z\u引言 4

相关工作 5

技术分析中的深度学习 5

因子模型 6

准备工作 6

动态因子模型 7

研究问题 7

研究方法 7

特征嵌入提取器 8

基于多头注意力的因子编码器 9

双动态因子模型 10

自适应因子后验模块 10

4.5算法 11

实证研究 12

实验设置 12

总体性能评估 13

消融研究 13

基于梯度的后验因子构建更优 14

投资表现 16

6结论 17

风险提示： 17

图表目录

图表1文章框架 4

图表2RSAP-DFM框架 8

图表3算法：1优化算法 12

图表4基线与RSAP-DFM框架的比较 13

图表5CSI100、CSI300和CSI500的总体预测性能 13

图表6消融研究 14

图表7后验比较 16

图表8平均投资业绩 16

引言

图表1文章框架

资料来源：

资产定价是现代金融研究中的一个核心主题，旨在解释不同资产预期回报的横截面差异。受到资本资产定价模型（CAPM）（Sharpe1964）的影响，Fama-French三因子模型开启了因子建模的时代。这种方法将股票超额回报概念化为多种基于因子的回报的组合，这些因子象征着超额回报的不同来源。然而，传统的静态因子存在缺陷，正被重新评估，相反动态模型包含了投资绩效的时间变化影响

（Stock和Watson2011）。与线性因子模型不同，机器学习可以使用多层非线性网络，为捕捉复杂的金融关系提供了一个更加稳健的框架。

鉴于上述优势，将机器学习应用于预测横截面预期超额回报成为了学术界关注的焦点。现有的研究将诸如树模型（Chen和Guestrin,2016）、时间序列模型

（Sutskever等2014）、图模型（Velickovic等2017）和注意力模型（Ding等2020）等机器学习方法转移到股票预测问题上。尽管性能有所提高，但可解释性仍然不充分。为了进一步描述不同时间点股票特征之间的相互依赖性，研究人员为金融市场特别开发了一些机器学习模型（Lin等2021a;Xu等2021）。机器学习技术也为传统的动态因子模型（线性关系）提供了一个全新的视角，这些模型动态地学习不同时期的因子暴露和因子回报（Kelly等2019;Uddin和Yu2020;Gu等2021;

Duan等2022）。

不过仍有两个问题尚未解决。首先，在当前复杂多变的经济环境下，投资模型成功与否的关键在于能否及时判断宏观经济状态并将其纳入投资决策，现有的机器学习和动态因素模型难以有效概括这一特点。Wei等（2023）引入了分层市场状态

的创新概念，但将经济特征大致归类为离散的市场状态并采用黑箱集成的方法有些不够精确。其次，由于股票数据信噪比低，传统的数据驱动因子构建受到污染难以准确预测收益。

在这篇论文中，我们提出了一种名为RSAP-DFM（Regime-ShiftingAdaptivePosteriorDynamicFactorModel，状态转换自适应后验动态因子模型）的新模型，用于预测股票回报。在我们的方法中，我们重新塑造了因子构建、因子回报和因子暴露之间的关系。我们利用多头注意力机制从正态分布中动态地生成和抽样因子。这些因子是我们动态因子模型（DFM）中的关键组成部分，对于预测股

票回报至关重要。为了提高当前因子状态识别的精度，我们引入了一种新颖的制度识别方法，分别应用于因子回报和因子载荷。具体来说，我们采用了一种“跳跃编码器”来捕捉历史股票时间序列数据中派生的宏观经济状态对因子回报的影响。此外，还使用了一种“载荷编码器”来描述这些宏观状态对因子载荷和特质回报的影响。最后，我们还设计了一种创新的双层优化算法，通过对抗学习构建后验因子，这增

强了因子构建的鲁棒性，并优化了它们的预测回报。我们的发现证实了RSAP-DFM相比其他基线方法的优越性能。我们论文的贡献如下：

我们提出了一个名为RSAP-DFM的股票回报预测框架，该框架摒弃了人工因子构建过程，通过从正态分布中采样构建因子，并通过对抗学习构建后验因子。

据我们所知，我们是第一个提出基于梯度的后验因子构建，并以双层形式进行优化的。

在神经网络训练框架中，我们提出了双重状态转换结构，并将其应用于动态

因子模型（DFM），这是首次明确描述宏观经济状态如何影响股票回报，而不是以黑箱方式处理；此外，我们也是首次在连续区间而非离散区间执行状态转换。

使用真实股票市场数据进行了广泛的实验。在A股市场数据集上的实验表明，实验表明模型的（SOTA