多模型集成量价Alpha策略
创建于 更新于
摘要
本报告系统性探讨了基于日线级量价数据，利用多层感知机（MLP）、梯度提升树（GBDT）、门控循环单元（GRU）及其Attention增强变体（AGRU）四类机器学习模型构建Alpha因子的效果。结果显示，截面模型引入历史特征后，因子学习能力接近时序模型，GBDT因子收益率最高，但GRU在因子相关性及稳定性上表现优异。多模型基于ICIR加权的集成因子显著提升了收益表现，年化多头收益率提升至33.11%，且与常见风格因子相关较低，Alpha信号稳定。基于集成因子构建的指数增强策略，在沪深300、中证500和中证1000指数上均表现良好，且不同换手率约束下策略的风险收益表现各异，为基于机器学习量价Alpha的量化投资提供了系统研究与实证支持[page::0][page::3][page::6][page::7][page::8][page::9][page::11]
