• 传统Transformer因子加权方法受限于月频因子样本量不足，表现不佳，改为基于日频价量数据的因子挖掘，提升训练样本数量至623万条 [page::1][page::2]。

• 模型设计中引入Time2Vec时间编码替代位置编码，将时间向量与特征拼接增强时间序列信息表达，采用浅层encoder避免过拟合，通过多轮训练结果集成(Big Ensemble)增强稳定性 [page::2][page::3].

• 数据使用统一量纲处理和z-score标准化，确保跨股票时序数据的可比性，时间步长T设定为30，平衡模型性能与计算效率 [page::1][page::2][page::3].
• 通过60轮独立训练并集成，最终构建TFE因子，样本外2020年1月1日至2023年11月20日持有20日IC为16.39%，IR为1.68，表现良好且IC单调分层显著 [page::4][page::5].

• TFE因子与现有因子相关性较低，最大相关系数仅0.44，主要正相关因子涉及估值、资产周转等，负相关因子主要是资产收益和一致预期类因子，展示差异化Alpha特征 [page::6].

| 因子名称 | 相关系数 |
|-----------------|----------|
| bop | 0.4421 |
| assetturnoverttnchg | 0.3225 |
| dx | 0.2949 |
| nve | 0.2689 |
| adx | 0.2684 |
| roaqfa | -0.1247 |
| pcfestchg | -0.1556 |
| peest | -0.1855 |

• 构建三大主要指数增强（指增）策略：中证1000、沪深300和中证500，均为月频调仓，设定严格行业及个股偏离约束，费率双边千分之四；基准因子权重基于ICIR加权 [page::7].

| 指增策略 | 最大行业偏离 | 最大个股偏离 | 成份内选股比例 | 策略股票数量 | 调仓频率 | 费率 |
|--------------|------------|------------|--------------|------------|--------|-------|
| 中证1000指增 | 0.50% | 0.20% | 100% | 400 | 月频 | 千4 |
| 沪深300指增 | 2.00% | 1.50% | 100% | 50 | 月频 | 千4 |
| 中证500指增 | 1.00% | 0.50% | 100% | 200 | 月频 | 千4 |

• 添加TFE因子后，三大指增策略表现显著提升：

- 中证1000指增：年化超额收益从10.25%提升到26.67%，超额净值最大回撤从-4.72%降至-3.18%，信息比率由1.45提升至3.56，月单边换手率由51.80%降至43.12%。
- 沪深300指增：年化超额收益从6.16%提升到24.17%，最大回撤从-15.66%降至-10.11%，信息比率由0.6提升至2.29，月单边换手率由51.83%降至42.78%。
- 中证500指增：年化超额收益从5.57%提升到21.59%，最大回撤从-7.39%降至-4.47%，信息比率由0.9提升至3.49，月单边换手率由37.77%降至32.09% [page::7][page::9][page::10].

• 关键绩效指标对比表：

| 指标 | 中证1000基准 | 中证1000TFE | 沪深300基准 | 沪深300TFE | 中证500基准 | 中证500TFE |
|------------|-------------|-------------|------------|------------|------------|------------|
| 年化收益率 | 13.59% | 30.51% | 2.52% | 19.9% | 7.54% | 23.86% |
| 年化波动率 | 21.73% | 21.65% | 18.77% | 19.15% | 19.57% | 19.60% |
| 夏普比率 | 0.5653 | 1.349 | 0.0643 | 0.971 | 0.3182 | 1.1508 |
| 最大回撤 | -30.45% | -27.53% | -24.11% | -22.55% | -28.19% | -23.88% |
| 超额净值收益率 | 46.07% | 150.52% | 26.16% | 131.88% | 23.42% | 113.74% |
| 超额净值最大回撤| -4.72% | -3.18% | -15.66% | -10.11% | -7.69% | -4.47% |

• 添加TFE因子后，策略回撤减少，收益增长超过100%（如中证1000指增），策略效能大幅提升，且换手率普遍降低，说明因子稳定性与运行成本改善 [page::8][page::9][page::10].
• 损失函数测试显示，MSELoss、-IC及MSELoss结合IC调整的三种损失函数对模型结果影响不大，验证了模型鲁棒性 [page::2][page::11].
• 风险提示包括模型超参数调优风险、基于历史数据的模型失效风险及未来数据分布变化风险，提示投资者理性使用 [page::0][page::11].

金融研究报告详尽分析报告

1. 元数据与概览

• 报告标题：《机器学习与因子（三）：基于 Transformer 因子挖掘的指增策略》

- 作者：陈奥林、陆达，Allin君行团队

• 发布机构：浙商证券研究所

- 发布日期：2023年12月1日

• 研究主题：利用机器学习中的Transformer模型对股票日频时序价量数据进行因子挖掘，进一步优化指数增强策略（指增策略），提升超额收益并控制风险。

核心论点与信息：
报告主张Transformer模型经过架构及数据处理优化后，能有效提取股票时序价量特征，生成新的因子（TFE），该因子具备较强的预测能力（样本外20日IC 16.39%，IR 1.68），其与传统因子相关性较低，能为投资组合带来差异化Alpha收益。在指增策略中加入该因子显著提升策略的年化超额收益，降低最大超额回撤和换手率，从而提升策略整体表现，显示其重要的实际应用价值及潜力[page::0,1,6,7,11]。

---

2. 逐节深度解读

2.1 摘要部分

• 报告开篇指明，利用Transformer架构对股票的日频时序价量数据进行因子挖掘，形成的因子样本外表现优异（IC 16.39%，IR 1.68）。

- 该因子与传统因子相关性较低，仅与两个因子的相关性超过0.3，最大相关系数为0.44，说明它带来新的Alpha信号。

• 在指数增强策略中加入该因子，显著提升不同宽基指数（如中证1000）的超额收益和风险指标，体现因子的边际贡献和实际应用价值[page::0]。

2.2 引言与背景

• 前期报告（机器学习与因子（二））中尝试用Transformer对月频因子进行加权，但性能不佳。原因是Transformer参数量大，样本量（月频因子样本较少）不足，导致过拟合或优势难以发挥。

- 本文改变思路，从加权转为因子挖掘，改用日频交易价量作为输入，显著增加训练样本规模，提高模型应用空间。

• 数据滤除规则严格，剔除上市120天内的新股和ST股票，确保数据质量。

- 通过数据调尺度（价格除以t-T日收盘价，换手率同理）消除量纲影响，保留时间序列动态特征，并以Z-score标准化处理保证训练集、验证集、测试集统一尺度[page::1,2]。

2.3 数据及模型设计

• 时间序列长度（T）取30，通过大量测试选定，平衡性能与计算复杂度。

- 模型架构在之前1层encoder的基础上改进，将时间编码从位置编码（Positional Encoding）改用Time2Vec时序向量拼接，增强时间信息的表达能力。

• 多轮训练机制（60次独立训练），集成结果形成最终因子TFE，减少单轮训练随机性影响，提升模型稳定性和预测性能。

- 损失函数尝试了MSELoss、负IC和带权重的MSELoss，效果相近，说明模型对损失函数不敏感[page::2,3,4]。

2.4 Time2Vec时间编码机制

• Time2Vec以线性和周期函数（sin）混合方式，编码时间步长，使模型更好捕捉周期性和趋势性时间特征。

- 曲线展示不同参数配置下时间向量幅度和周期变化，增强模型对时间维度的理解和区分能力[page::3]。

2.5 训练过程与随机性控制

• 深度学习随机性主要来自参数初始化、训练数据的随机批次、优化器差异等。作者通过训练集打乱喂入和多次独立训练结果集成，有效弱化随机性影响，保证模型结果稳定可靠。

- 图5显示60轮训练损失的收敛曲线，基本在40个Epoch后收敛，表现收敛稳定，验证集损失聚集于窄范围，说明训练过程可靠[page::3,4]。

2.6 因子检验

• 通过使用LightGBM对60个训练模型因子集成得到TFE因子，并进行中性化处理。

- 样本外（2020-2023）持有20日测算IC为16.39%，IR为1.68，指标良好。

• 因子10分层回测（图6）显示不同分层组合收益表现显著分化，且整体呈现单调提升趋势（图7），体现因子有较好的选股能力和稳定性。

- 和已有因子相关性较低（图8），且2020年以来，TFE与估值、资产周转等因子正相关较强，与资产收益和预期类因子负相关明显，这说明新因子带来差异化信息，能作为现有因子的有效补充[page::4,5,6]。

2.7 指数增强策略设计

• 采用严格行业和个股偏离限制，防止“空气指增”（行业或个股权重偏离过大导致策略风险）。

- 基准策略采用浙商金工因子库，因子权重按ICIR加权。

• 在此基础上，加入TFE因子至技术类因子，检验其边际收益及回撤表现。

- 费率设置为双边千分之四，调仓月频，成分股数量和行业偏离比例根据指数不同而调整（详见表2）[page::7]。

2.8 策略绩效评价与分析

• 各宽基指数指增策略中，加入TFE因子后，均出现明显收益提升和最大回撤下降，中证1000指增体现最明显。

- 中证1000指增策略年化超额收益由10.25%提升至26.67%，最大超额回撤由4.72%降至3.18%，信息比率提升超过2倍。

• 换手率整体下降，反映加入TFE因子后因子暴露更稳定，因子多样化平滑了权重变化，提升策略性价比。

- 各指数具体表现见图表9-11和表3-4分析[page::7,8,9,10]。

---

3. 图表深度解读

图1（月频因子加权算法对比，page 1）

• 曲线显示包括Transformer、LightGBM、CatBoost等多种回测模型日净值。

- Transformer在线性加权月频因子时表现一般，不及LGBM等集成树模型，说明样本量不足制约深度模型作用。

图2和图3（Transformer模型架构，page 2）

• 传统的Transformer采用位置编码与时序特征相加，历史设计Encoder层只有1层。

- 本文采用Time2Vec时间编码与时序特征拼接，增加了编码信息丰富度，并通过多轮训练结果加权集成得到最终因子，提升模型效果。

图4（不同参数下Time2Vec时间向量，page 3）

• 展示不同参数设置（频率、相位）对应的时间编码波动，周期性明显，表现出模型长期与短期时间依赖的表达能力。

图5（训练轮次学习路径，page 4）

• 链接多个训练轮的训练集和验证集损失曲线，显示大部分模型在40个epochs后趋于收敛，验证损失聚集，训练稳定且拥有相似的收敛性能。

图6和7（TFE因子分层效果，page 5）

• 图6中，10个分层组合的收益曲线涨幅与层级递增呈明显正相关，表现良好。

- 图7显示年化收益率基本呈单调递增趋势（除第2、3组稍有平缓），说明因子具有稳定的分层选股能力。

表1及图8（TFE因子与其他因子相关性，page 6）

• 表1列出2020-2023年与TFE因子相关性较强的传统因子，正相关因子主要为估值、资产周转等，负相关因子多为资产收益及盈利预期因子。

- 图8从整体角度展示TFE与多个因子相关系数分布，最大相关不超过0.45，确认TFE与现有因子呈低相关性。

表2-4（指增策略参数及绩效体现，page 7）

• 表2明确各指数成分股偏离限制、仓位比例、调仓频率及交易费率，保证策略真实可执行。

- 表3显示加入TFE后，成份策略的超额净值、最大回撤和信息比率均有明显改善，尤其是中证1000和沪深300指数。

• 表4表明换手率下降，节约交易成本，增加策略的适用性。

图9-11（不同指数指增策略对比，page 8-9）

• 各图通过超额净值曲线与回撤面积对比，显著展现加入TFE因子后，策略收益提升更快且波动更小。

- 最大回撤显著降低，策略风险控制有效，说明TFE因子提升了策略的回撤管理能力。

表5（指增策略绩效综合指标，page 9）

• 详细列示收益率、夏普率、年化收益波动率、超额收益率等绩效指标说明加入TFE因子使策略整体表现跨跃式提升。

表6、7（月度单边换手率数据，page 10）

• 月度换手数据展示各月份调仓频率及波动，加入TFE因子后换手率普遍较低，有助于降低交易成本，同时表现出因子在时间上的稳定性。

---

4. 估值分析

本报告以指数增强策略绩效提升为目标，未涉及传统意义上的公司估值模型（如DCF或P/E估值），而重点关注因子挖掘及组合策略表现的提升评估，故估值分析部分没有体现具体估值模型。

---

5. 风险因素评估

报告明确识别以下风险：

• 模型测算风险：超参数选择对深度学习模型影响显著，可能导致模型表现波动。

- 模型失效风险：机器学习模型依赖历史数据，未来数据分布和特征可能改变，导致模型失效，历史收益不代表未来表现。

• 数据风险：未来数据结构和特征分布或与历史不同，对模型有效性构成威胁。

报告提醒读者模型及策略仅供参考，需结合专业投资判断。无明显缓解策略，提示风险客观存在[page::0,11]。

---

6. 批判性视角与细微差别

• 报告中强调Transformer模型在月频数据上表现不理想，调整为日频数据后大幅提升效果，但因训练样本需大量时序数据，潜在的过拟合和样本外表现依然需长期跟踪验证。

- 尽管多轮训练集成降低随机性的影响，但深度学习模型仍存在“黑盒”特征，对因子解释性和宏观逻辑披露较弱，投资应用时需谨慎权衡。

• 损失函数对表现影响不大，表明当前模型确定性不高，未来可以尝试引入更强监督信号或先验知识进一步提升模型稳定性。

- 换手率虽有所下降，但因子组合仍存在较高调仓频率，实际交易成本及流动性风险在真实场景中需额外注意。

• 报告未详细说明因子与具体交易策略的桥接机制，如因子如何转化为权重策略，策略执行时面临实际微观结构风险和交易滑点，值得后续补充。

- 因子相关性较低说明其差异化价值，但因相关系数最大仅约0.44，投资者应权衡新增因子对现有策略的实质风险暴露影响，防止组合过度复杂或数据挖掘偏误。

总体来看，报告内容结构合理，实证检验充分，但需留意深度学习黑箱性质及数据时效性风险。

---

7. 结论性综合

本报告通过引入基于Transformer的日频时序价格和交易量数据因子挖掘技术，解决了先前月频数据样本量不足导致的模型欠佳表现问题。利用Time2Vec时间编码、多轮训练与集成策略成功构建了TFE因子，表现出强劲的样本外预测能力（IC 16.39%，IR 1.68），且分层收益单调递增，因子与传统因子低相关，提供了显著的Alpha增量。

将TF_E因子引入传统指数增强策略，显著提升了中证1000、沪深300、和中证500指增策略的年化超额收益（中证1000提升至26.67%）、降低了最大超额回撤（中证1000从4.72%降至3.18%），同时减少换手率，提升交易效率和实际应用价值。

图表数据佐证了因子构建与集成的稳健性，分层测试和相关性分析验证了因子的有效性和差异化。不同策略均实现了收益风险比的显著提升，增强了策略的稳定性和收益性。

风险提示中强调模型对超参数敏感，历史收益非未来保证及数据变异风险，投资者应保持适当谨慎。

整体来看，本研究成功将先进的深度学习结构应用于量化因子挖掘，为多因子投资体系提供了新鲜且有效的Alpha来源，具有较强的理论价值和实际应用前景。[page::0-12]

---

参考图片

• 封面图片：

• 图1 月频因子加权模型对比：

• 图2和3 Transformer模型架构：

• 图4 Time2Vec时间编码：

• 图5 训练过程损失曲线：

• 图6、7 因子分层表现：

• 图8 因子相关性：

• 图9-11 各指数指增策略对比：

---

本次分析全面覆盖了报告的各个关键章节，详尽阐释了Transformer模型在因子生成和指数增强策略中应用的逻辑、数据支撑及策略改进效果，并结合所有主要表格与图表深度解读论点和数据，提供了专业且具洞察力的金融量化技术解构。

报告