本文提出了一种基于深度神经网络的动态 Alpha 因子模型，实现了端到端的因 子权重训练和预期收益率预测。在 IC、ICIR、因子分组收益率、多头组合收益 率等指标维度表现相比于线性Alpha 因子模型有较为明显的提升。
❑ 传统线性因子模型存在一定的缺陷。无套利条件中随机折现因子的线性结构 学术界尚存在争论。实证研究中，残差的时序和截面的相关性以及残差的异 方差性在线性因子模型中，通常需要特殊的手段处理。在因子模型中引入非 线性成为学术界和业界的主流做法。
❑ 基于 MLP 的因子网络结构，相比于 L2 正则的线性基准网络，在 RankIC 均 值略有下降。多空年化收益率、多空夏普等指标改善明显。多头收益率对 RankIC 的贡献提升。
❑ 借鉴传统的 Alpha 模型，细分因子到大类因子分步合成，一般需要筛选出 IC 表现较好，且相关性较低的细分因子合成大类因子，以保证大类因子的 IC 表现和低相关性。在 MLP 网络中同样可以引入正交惩罚使得网络学习到 的大类因子保持低相关性。
❑ 在机器学习任务中，不同学习目标的设置同样对模型的表现有至关重要的影 响。本文测试了使用 MSE、IC、CCC 不同的损失函数对模型表现的影响。 IC 损失函数的综合表现最好。CCC 损失函数对应的模型的合成 zscore 因 子稳定性最好。
❑ 本文的研究过程发现 IC 作为传统的单因子表现指标，在多头选股的场景下 并不能正确评估最终的选股表现。需要结合因子的多空最大回撤、多空夏普 以及多头组合的表现来综合评估。
免责声明：我们尊重知识产权、数据隐私，只做内容的收集、整理及分享，报告内容来源于网络,报告版权©️归原撰写发布机构所有，通过公开合法渠道获得，如涉及侵权，请及时联系我们删除，如对报告内容存疑，请与撰写、发布机构联系
