因子选股系列之一：DFQ-FactorVAE-pro：加入特征选择与环境变量模块的FactorVAE模型.docxVIP

金融工程|专题报告

DFQ-FactorVAE-pro

DFQ-FactorVAE-pro：加入特征选择与环境变量模块的FactorVAE模型

——因子选股系列之一一一

研究结论

DFQ-FactorVAE模型回顾

l在前期报告中，我们给出了DFQ-FactorVAE模型。模型在传统的端到端神经网络基础上，融合了变分自编码器与概率动态因子模型的思想，创新性地提出了“先验-后验”学习方法，建立股票收益率预测模型，学习输入特征和标签之间的关系。

lFactorVAE模型架构拓展潜力较大，模型所得选股因子的稳定性、在沪深300股票池中的多头表现十分突出。本次我们对原模型进行了多方面的升级优化。

DFQ-FactorVAE-pro模型说明

l金融数据中普遍存在较高的噪声和冗余，因此，特征选择在模型开发中至关重要。特征选择的目的是减少无关或冗余的特征，提升模型的训练效率和预测准确性，同时避免过拟合。因此我们在FactorVAE模型中添加特征选择模块，引入特征选择器和特征重构器，由网络实现自动特征选择，同时保证筛选后特征信息的完整性。

l端到端神经网络模型的输入一般是股票特征，通常忽略了市场整体信息的作用，但实际股票收益也会受到当时所处的市场环境的影响。因此我们重构了FactorVAE模型，在训练阶段加入日期环境变量特征来协同对股票收益定价，而在预测时摒弃环境变量的部分，以此提升模型的收益预测泛化能力。

lDFQ-FactorVAE-pro模型，以DFQ-FactorVAE模型为基础，添加特征选择模块，添加日期环境变量，使用协同训练方式进行训练。并在特征提取器处理、样本外预测方式、输入标签数据处理方式上进行了多方面的改进。

DFQ-FactorVAE-pro模型效果

l在中证全指股票池中，因子多头表现优异，多头超额收益夏普和最大回撤均为各模型中最优，分组单调性较好。测试集上IC达到12.09%，RANKIC达到15.08%，RANKICIR达到1.24。20分组多头年化超额收益达到29.77%，多头超额收益夏普比3.48，多头日度超额收益最大回撤5.35%。

l在沪深300和中证500股票池中，因子表现十分优异，各项指标基本均为各模型中最优，分组单调性较好。

l因子进行了行业和市值中性化后表现依然优异，模型受行业市值风格影响较小。原始因子20分组多头年化超额收益29.77%，中性化仅降低4%。

l多头组偏向小市值、低波动、低流动性、低估值、强反转、低成长。与tra、hist等神经网络模型相比，在市值上的负暴露更小，在beta风格上基本无暴露，在低估值上的正暴露更大，在非线性市值上的负暴露更小。

指数增强组合表现

lDFQ-FactorVAE-pro模型所得到的合成因子在大盘指增组合中表现十分突出。

l沪深300指增：2020年以来信息比2.23，年化对冲收益12.32%，跟踪误差5.28%，2024年超额收益为5.15%。

l中证500指增：2020年以来信息比1.98，年化对冲收益12.98%，跟踪误差6.27%，2024年超额收益为8.5%。

l中证A500指增：2020年以来信息比1.98，年化对冲收益12.97%，跟踪误差6.28%，2024年超额收益为4.31%。

报告发布日期2025年02月18日

杨怡玲yangyiling@

执业证书编号：S0860523040002

刘静涵0213211

liujinghan@

执业证书编号：S0860520080003香港证监会牌照：BSX840

ABCM：基于神经网络的alpha因子和beta

因子协同挖掘模型：——因子选股系列之一一〇

相对定价类基本面因子挖掘：——因子选股系列之一〇九

KD-Ensemble：基于知识蒸馏的alpha因

子挖掘模型：——因子选股系列之一〇八DFQ-XGB：基于树模型的alpha预测方

案：——因子选股系列之一〇七

基于风险注意力的因子挖掘模型：——因子选股系列之一〇六

非线性市值风控全攻略：——因子选股系列之一〇五

融合基本面信息的ASTGNN因子挖掘模

型：——因子选股系列之一〇四

DFQ-FactorVAE：融合变分自编码器和概

率动态因子模型的alpha预测方案：——因子选股系列之一〇三

基本面因子的重构：——因子选股系列