人工智能和机器学习系列研究分析报告：风险信息引入深度学习模型.pdfVIP

金工量化专题报告

风险信息引入深度学习模型的若干尝试证券研究报告

2024年10月12日

人工智能和机器学习系列研究（2）

核心结论

本文尝试了多种将风险信息引入深度学习模型的方法，目标是构建一个风险

控制较为严格的中证800指数增强策略，在保证一定超额收益的基础上，尽

量降低跟踪误差和超额最大回撤，实现更高的收益风险比。

【报告亮点】

1.在基础模型——GRU和Attention-GRU外，对比了输入或输出端控制风

险、在输入端加入风险信息和在训练过程中控制风险3大类共9种方法。

2.从全区间收益风险比的角度评价，在训练过程中控制风险，具备较好的

效果。相关研究

【主要逻辑】《多模型、多数据、多跨度融合的深度学习

GRU因子——人工智能和机器学习系列研究

主要逻辑一、在100%成分股等较为严格的约束下，仅依赖基础GRU因子（1）》2024.07.02

也可以取得差强人意的收益风险比。

由基础GRU因子得到的中证800指数增强策略年化超额收益率5.4%（相

对价格指数），跟踪误差3.1%，超额最大回撤3.1%，信息比率1.78，超额

Calmar比率1.76。分年度来看，2022年的超额收益较低，其余年份均高于

4%。2024年上半年，YTD超额收益率4.3%。

主要逻辑二、简单剥离风险因子或将风险信息作为新的一类特征输入，都未

能产生更好的收益风险比。

中性化层的加入能同时减小跟踪误差与超额最大回撤，但剥离风格因子的贡

献，超额收益的下滑更明显，最终也无益于改善收益风险比。

而将风险信息作为GRU模型的第二类输入特征，对改善中证800指数增强

策略收益风险比的效果较为有限。相反，这种方法更容易导致因子从风险信

息中习得beta风格，从而提升全区间的超额最大回撤，并最终降低超额

Calmar比率。

主要逻辑三、通过构建含风险信息的多任务损失，在保留量价特征alpha的

基础上，尽可能降低对风险因子的依赖，最终较为显著地提升了收益风险比。

GRUWLSLossControl因子RankIC为0.066，ICIR为0.552，胜率73.7%。

由此构建的中证800指数增强策略，年化超额收益率6.4%，跟踪误差2.7%，

超额最大回撤2.1%；信息比率2.36，超额卡玛比率3.00。各项业绩评价指

标均有较为显著的提升，尤其是两个收益风险比，相比基础GRU因子分别

上升32.5%（信息比率）和70.4%（超额Calmar比率）。

风险提示：模型失效风险，市场风格变化风险，数据测算误差风险。

1|

西部证券

金工量化专题报告2024年10月12日

索引

内容目录

一、引言4

二、模型框架4

2.1增强策略参数设定4