自适应市场状态提升模型稳健性分析报告-培训课件.pdf

量化专题报告

深度学习如何自适应市场状态以提升模型稳健性？2025年01月27日

[Table_Author]

➢传统Transformer模型选股能力尚可，但对市场极端环境适应性差。将股

票日频量价数据及因子输入Transformer建立双周频股票收益预测模型，样本

外输出的因子2019年以来RankIC8.6%，表现较为一般，在宽基指数内有所衰

减。模型主要有2个问题，其一是依赖高度的风格暴露，这一问题可以通过加

入风格暴露惩罚等方式解决；其二是因子表现通常与市场走势呈负相关，这是

因为模型在不同市场环境下并未对编码器做修正，导致模型无法识别市场变

化，超额收益在市场突变时回撤明显。本报告利用3种方式从模型的输入与结

构等方面做出改进，稳定提升基础模型的选股表现：

1.通过MASTERTransformer纳入市场信息，对特征做自动选择。

2.利用深度学习风险模型进一步刻画市场状态，输入市场偏好。

3.在模型的训练流程及损失函数等方面进行优化。

相关研究

➢MASTER模型利用宽基指数量价代表市场状态，进行自动特征选择。1.基金分析报告：基金季报2024Q4：聚焦

TongLi等人在2024年发表的论文中提出了一个名为MASTER（Market-成长、AI先行-2025/01/23

GuidedStockTransformer）的新模型，旨在捕获瞬时和跨时间的股票相关2.量化专题报告：资金流潮汐与“引力场”

性，并利用市场信息进行自动特征选择。我们对原论文的数据部分进行改进因子构建-2025/01/21

后，对MASTER模型效果进行实证，保持其他设定不变的情况下，MASTER模3.量化周报：震仓特征加强支撑-2025/01/1

9

型因子RankIC10.3%，年化多头超额收益26.0%，大幅打败基线Transformer

4.量化专题报告：威科夫技术分析的概率云

模型。利用因子构建指数增强组合，在沪深300内年化超额收益15.9%，信息表达：从主观到量化-2025/01/14

比率1.1，中证500内年化超额收益16.5%，信息比率1.54，在中证1000内5.量化周报：突破支撑线-2025/01/12

年化超额收益22.4%，信息比率1.62。

➢利用深度学习风险模型可进一步刻画市场状态。作为市场状态特征的大宽

基指数最近的量价本质上只刻画了市场最近的牛熊状态，然而市场每轮的牛熊

背后驱动逻辑不同，市场偏好的风格也不同，所以我们需要理解市场最近的偏

好以进一步刻画市场状态。而近年来，传统的Barra风格因子对于股票收益的解

释度有所降低，已经不足以刻画市场风格，因此我们可以用深度学习风险模型

输出更有解释力度的风险因子。深度风险因子相比barra风格因子对于市场收益

的解释度在日度频率上可提升5%。利用近期上涨最好股票的深度学习隐风格来

衡量近期的市场特征，可构建120个新特征代表市场状态。

➢在模型的训练流程及损失函数等方面继续改进，最终因子效果提升明显。

对于损失函数，我们利用加权MSE来放大多头端的误差以提高模型在多头端预

测的准确率。在模型的训练流程上，我们可以利用在线的元增量学习对于模型

进行定期更新。元增量学习旨在根据最近的数据分布对数据与模型进行适应，

从而快速掌握近期市场规律，适应动态变化的市场。最终因子RankIC10.7%，

年化ICIR6.0，年化多头超额收益34%，利用因子构建指数增强组合，在沪深

300内年化超额收益21.1%，信息比率1.8，中证500内年化超额收益