股票因子个性化，基于股票嵌入的因子优化.docx

引言 4 研究背景 6 技术面分析 6 技术因子 6 构建基于因子的投资组合 7 因子有效性评价指标 7 股票嵌入特征 7 基金经理的历史投资组合 8 构造二分图 9 通过基金-股票二分图学习股票嵌入特征 9 技术交易因子优化模型 10 模型设计 10 用于因子优化的缩放模型 10 滚动学习机制 11 5 实验 11 实验设置 11 实验结果 12 6 相关研究 17 7 结论 17 风险提示： 18 图表 1 两只特定股票的价格和 30 天内乖离率因子的时间序列数据 5 图表 2 一套普遍的技术因子及相应的计算公式 7 图表 3 基金经理历史投资组合的通用数据图 8 图表 4 滚动学习算法 11 图表 5 不同年份采用不同优化方法的因子的平均 RANK IC 13 图表 6 不同因子驱动的投资策略在不同年份产生的累计回报 14 图表 7 在 BIAS、MACD 和 ROC 上获得最大和最小原始缩放权重的前 5 只股票 15 图表 8 经过 T-SNE 降维的最大和最小缩放权重股票的 EMBEDDING 16 引言 技术面分析(Charles(2006)，Christopher 等人(1997)，Paul 等人(1997))作为量 化投资的基本方法之一，侧重于从价格和成交量的角度解释和预测股票走势。技术 面分析的核心假设在于，投资决策的所有相关信息都反映在价格和成交量的变化中。因此，价格和成交量数据构成了足够的信息，可以为各种任务做出各种决策，包括 市场趋势预测、选股和投资组合管理。 在真正的量化投资中，技术面分析主要用于选择未来回报率较高的股票。特别是，为了应对金融市场的噪声和波动性，已有许多成果基于价格和成交量开发技术交易因子， 用来提供可靠的交易信号(Chalothon 等人(2012)，Abeyratna 和 David(2001)，Massoud 等人(2012)，Christopher 等人(2011))，这类似于机器学习方法中的特征工程。更具体地说，通用技术交易因子通常是基于对每只股票的原始价格和成交量数据的一致性数学变换而生成的。在现实世界中，人类专家根据他们在金融市场的领域知识总结了各种鲁棒的技术交易因子。作为特征工程中人工生成的特征，各种技术因子基本上代表了不同方面的价格和成交量，并从稳健和全面的角度评估了股票的走势。例如，平滑价格序列并丢弃一些随机性的移动平均因子，是描述趋势的好选择。乖离率表现了当前价格与其移动平均值的偏差，可以稳健地反映股价的现状。因此，技术因子作为所有股票价格和成交量的统一变换，在各种投资任务中发挥着至关重要的作用。 然而，这种统一的计算方法对选择未来利润更高的股票这一任务产生了一定的限制，因为它没有考虑股票的内在特性。事实上，我们观察到，具有不同性质的股票对因子的契合度并不相同。我们发现：即使两只股票在一个特定因子上表现出完全相同的值，由于股票本身的性质，它们也可能保持在本质上完全不同的状态。例如，图表 1 显示了两只特定股票的价格和 30 天内乖离率因子的时间序列数据。从这些数据中可以发现，对于周期性股票1b，它随着更广泛的市场而变化，并且往往具有更大的波动性，乖离率很容易跳到极值；而对于另一只股票示例1a，它是一只强大、稳定、成熟的股票，具有长期连续季度分红的历史，在大多数情况下，乖离率会被限制在一定的范围内。因此，即使两种股票都获得了相同的乖离率极值，其意义也完全不同。周期性股票将被视为处于正常状态，因此对它来说该因子几乎没 有可供参考的作用。而对于价格稳定的股票，较大的乖离率值将提供丰富的信息，这对预测和投资都很有用。这一现象清楚地表明，一个技术因子对不同股票采取相同的计算方法不足以区分不同股票的未来回报趋势。 图表 1 两只特定股票的价格和 30 天内乖离率因子的时间序列数据 资料来源：《Individualized Indicator for All: Stock-wise Technical Indicator Optimization with Stock Embedding》， 基于这一观察结果，本文认为挖掘股票的原始价格和成交量数据蕴含的信息对于生成更有力的因子是必要的。一个简单的方法是为每只股票创建一个缩放系数，然而，这很容易导致过拟合。进一步的观察表明，具有共同特征的股票对因子值具有相似的契合度。例如，蓝筹股公司的大多数股票，其股价通常在小范围内变化，在大多数情况下往往会产生低乖离率值。这样的观察启发我们基于股票的普遍性特征进行股票信息转换，以避免潜在的过拟合问题。因此，本文提出了一个技术交易因子优化（TTIO）模型