风险信息引入深度学习模型的若干尝试

西部西部量化团队 2026-05-23 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 4 /5

核心内容

报告以GRU模型为基础，探讨如何将风险信息融入深度学习模型以提升中证800指增策略的收益风险比。在基础模型上，分别测试了在输入端对特征中性化(GRUInputWLS)、输出端对因子中性化(GRUOutputWLS)、将风险特征拼接输入(GRUConcatBarra)以及在损失函数中增加风险惩罚项(GRUWLSLossControl)。结果发现，直接剥离风险因子会导致RankIC和超额收益下降，而通过多任务学习损失控制(GRUWLSLossControl)能够实现alpha与风险控制的平衡，显著提升了各项业绩评价指标。

经济逻辑

量化策略在市场风格切换（如2024年初小盘股流动性危机）时易因风格暴露产生大幅回撤。深度学习因子天然带有小市值、低波动等风格暴露，直接中性化会抹杀部分alpha，而在模型训练阶段通过多任务损失函数对风险暴露进行惩罚，能让模型自主学习在剥离风险的同时保留alpha特征，从而在严格风控约束下实现更高的收益风险比。

超额收益逻辑

超额收益来源于量价和高频特征中蕴含的短中期Alpha规律，通过深度学习模型GRU提取非线性特征。通过在损失函数中加入风险因子惩罚项（GRUWLSLossControl），模型被迫学习剥离了纯风格暴露后的Alpha特征，从而在严格风控约束下依然能获取超额收益。

构造细节 [model]

模型架构

基础GRU：输入特征->两层128神经元GRU层(Dropout=0.2)->一层128到10的全连接层(ReLU)->一层线性层生成输出。GRUWLSLossControl：在基础结构上，将损失函数修改为多任务损失，即基础的收益预测损失加上与风险因子相关的控制惩罚项，使模型在保留alpha的基础上降低风险暴露。GRUInputWLS：输入特征对Barra因子WLS取残差输入。GRUOutputWLS：输出因子对Barra因子WLS取残差。GRUConcatBarra：量价特征输出10维与Barra因子全连接输出的10维拼接，经20到10的FC和线性层输出。

输入

资金流特征(10,48)分钟频数据(160,7)衍生高频因子(10,92)Barra风险因子(部分模型使用)

输出

一维或十维的股票收益预测因子值

训练

全量数据参与训练。按短(12m/3m/1m)、中(24m/6m/2m)、长(48m/12m/3m)周期分别训练，每周期在3个数据集上训练9个模型。采用日度截面Batch Size，学习率0.0001，早停5轮。最终因子按短/中/长=1:2:3权重合成。

数据输入

: (日频): (15分钟): (日频): (日频)

组合方式

短/中/长周期模型按1:2:3权重加权合成；同一周期下不同数据集训练得到因子等权合成。

绩效

5.4%

年化超额收益率(基础GRU)

1.78

信息比率(基础GRU)

1.76

超额Calmar比率(基础GRU)

6.4%

年化超额收益率(GRUWLSLossControl)

2.7%

跟踪误差(GRUWLSLossControl)

2.1%

超额最大回撤(GRUWLSLossControl)

2.36

信息比率(GRUWLSLossControl)

3.00

超额卡玛比率(GRUWLSLossControl)

基准: 中证800指数

回测期: 2018.01-2024.06

在训练过程中通过构建含风险信息的多任务损失（GRUWLSLossControl）效果最好，相比基础GRU因子，信息比率上升32.5%，超额Calmar比率上升70.4%，实现了年化超额6.4%，信息比率2.36。

收益归因

未进行系统的事后收益归因分析，但探讨了在输入或输出端剥离Barra风格因子贡献的影响，发现简单中性化会导致超额收益显著下滑。

缺口: 缺少基于Barra或Brinson等模型的事后严格收益归因分解。

稳健性

子样本稳定性: 2018-2024全区间表现稳定，分年度超额收益除2022年外均高于4%，2024年YTD超额4.3%。

风格偏差: 相比直接将因子中性化，训练时控制风险能显著降低小市值、低波动等风格暴露，且不大幅损失RankIC。

GRUWLSLossControl因子RankIC为0.066，ICIR为0.552，胜率73.7%，在严格控制中证800跟踪误差和回撤的前提下，表现出较强的稳定性和风险调整后的高收益。

数据依赖

所需数据: 10日资金流比率特征(48个)、15分钟频量价数据(7个特征，长度160)、衍生高频因子(92个)、10个Barra风险因子、中证800成分股及权重数据。

可复现性: hard

需要分钟级高频量价数据及衍生高频因子的具体构造逻辑，算力要求较高，需支持按日度截面动态Batch Size及自定义损失函数的深度学习框架支持。

新颖性评估 [新方法]

创新性地将风险控制目标直接融入深度学习模型的损失函数中（多任务学习），而非传统的在模型外做中性化或优化器中做约束，实现了模型训练与风险控制的内生统一。

不足与缺陷

模型训练周期较长且参数复杂，多周期多数据集训练导致计算成本高。
虽然提出了GRUWLSLossControl，但研报未详细披露损失函数中风险控制项的具体数学公式和惩罚权重lambda，影响完全复现。
主要针对中证800大盘指增，对小盘股流动性风险应对的泛化能力未做测试。

可复用元素

全量数据训练而非抽样，提升模型稳健性
按交易日截面作为Batch Size，便于在模型内部直接计算因子中性化
短/中/长周期模型按1:2:3加权，赋予长期模型更高权重以增强稳健性

启发

将组合优化的目标函数（如风险惩罚）直接嵌入到深度学习的Loss中，可能比后置中性化更有效
多任务学习思想在因子挖掘中的应用，可同时约束Alpha预测和风险暴露

改进方向

采用相似的“在训练中控制风险”逻辑，但引入对抗训练机制。使用一个判别网络来预测当前GRU模型输出因子在Barra风险因子上的暴露度，主模型GRU在优化收益预测损失的同时，对抗性地最小化判别网络的预测精度，从而隐式地实现风险中性。

基于: GRUWLSLossControl多任务损失函数的方法预期收益: 可能比直接在Loss中线性加权风险暴露项更灵活处理非线性风险特征，进一步降低极端市场风格切换下的回撤。

复现计划

1. 准备输入特征：计算48个资金流比率、15min分钟频量价(7个)及92个衍生高频因子，标准化处理。2. 构建基础GRU网络：两层128 GRU+128->10 FC+Linear。3. 实现自定义损失函数：MSE损失加上因子对Barra因子WLS回归系数的L2惩罚项。4. 训练流程：按日度截面为Batch，短(12m)、中(24m)、长(48m)周期滚动训练，学习率1e-4，早停5轮。5. 因子合成：短/中/长按1:2:3加权。6. 组合优化回测：构建中证800增强策略，约束100%成分股、Barra偏离<=0.1等，双周调仓，VWAP成交，双边千三成本。

实体

GRU [model]Attention-GRU [model]GRUInputWLS [method]GRUOutputWLS [method]GRUConcatBarra [method]Attention-GRUConcatBarra [method]Attention-GRUV-BarraQK [method]GRUSubBarra [method]GRUWLS [method]GRUWLSLossControl [method]GRURiskOptimize [method]中证800指数 [concept]Barra风险因子 [concept]资金流特征 [dataset]分钟频数据 [dataset]衍生高频因子 [dataset]

查看原文 → 模型: glm-5-2-260617 分析时间: 2026-07-13

LOCAL SIMILARITY