DeepAlpha-DNN在不同市场下的表现

由wintersp创建，最终由wintersp更新于2022-11-02 08:08 被浏览 336 用户

作者：wintersp

DeepAlpha 的优势

DeepAlpha相比stockranker等机器学习的优势在于不用去刻意的构造寻找因子，网络结构本身就已经是一个因子的构造过程。可以专注于策略的适用性以及轮仓选择上面。拿到模型之后时间也比较短，做了一些试验。篇幅有限，有些内容我就不贴上来了。

参数选择

3年训练1年滚动的方式

[[["2017-01-01", "2019-12-31"], ["2020-01-01", "2020-12-31"]], [["2018-01-01", "2020-12-31"], ["2021-01-01", "2021-12-31"]], [["2019-01-01", "2021-12-31"], ["2022-01-01", "2022-06-06"]]]

{"_stock_count": 30, "_weight_i": 2, "_freq": 5, "_max_onestock": 0.15} 分别为当日买入股票数量, weighti代表权重，0为等权，freq为轮仓日期，maxonestock为单只股票最大允许仓位。

所有试验不做调参，只对策略想法、构架、结合实盘的经验给出调整。

所有股票采用真实价格回测，不存在回测过程中的过拟合。

实验结果（全市场）

在不做任何市场限制的情况下，分别测试了5日轮仓，2日轮仓，是否带权重的试验，结果如下：

5日轮仓：

{"_stock_count": 30, "_weight_i": 2, "_freq": 5, "_max_one_stock": 0.15}：

sharpe ret ret_b alpha max_dd max_dd_p 1.126 0.984 0.175 0.279 -0.2459 126

在2022年的情况下取得了不错的超额收益。

{"_stock_count": 20, "_weight_i": 2, "_freq": 5, "_max_one_stock": 0.15}：

sharpe ret ret_b alpha max_dd max_dd_p

0.37 0.245 0.175 0.0547 -0.2971 122

只是降低了持股数量的情况下，绩效并没有得到提升，5日轮仓全市场的情况下，头部收益性较模糊。进一步降低至10只，绩效进一步下降。

2日轮仓

{"_stock_count": 10, "_weight_i": 0, "_freq": 2, "_max_one_stock": 0.15}

sharpe ret ret_b alpha max_dd max_dd_p

0.692 0.571 0.175 0.17 -0.4194

采用2日轮仓，考虑到50%左右的换手率，应进一步提高头部的收益，这里选择了10只股票进行轮仓，采用等权形式。2022年收益12%，但是整体绩效并不出色，尤其是2020年后半段和2021年前半段。

改变了label的标注形式，采用不同方法的相对收益方式，最终提升绩效如下：

1.039 1.008 0.175 0.3061 -0.3039 156

实验结果（高活跃市场）

对市场做出限制，通过条件选取高活跃股票，追逐热点。

最佳绩效如下：

{"_stock_count": 10, "_weight_i": 0, "_freq": 2, "_max_one_stock": 0.15}

sharpe ret ret_b alpha max_dd max_dd_p 1.528 2.091 0.175 0.5837 -0.2802 173

3年的滚动绩效还可以，能够战胜市场，可以作为实盘的候选考虑。同时因为是高活跃股票，成交量足够大，能容纳较大的资金。

实验结果（高活跃市场2）

对市场做出限制，通过条件选取高活跃股票，追逐热点，更为激进。

最佳绩效如下：

{"_stock_count": 10, "_weight_i": 0, "_freq": 2, "_max_one_stock": 0.15}

sharpe ret ret_b alpha max_dd 1.023 0.967 0.175 0.2963 -0.2804

3年的滚动绩效还可以，应为更为激进，可以作为互补。

实验结果（中证800指增）

对市场做出限制，只选择906指数范围内的股票，最佳绩效如下：

{"_stock_count": 30, "_weight_i": 2, "_freq": 5, "_max_one_stock": 0.15}

sharpe ret ret_b alpha max_dd 0.597 0.401 0.175 0.095 -0.3311

绩效一般，说明指数股池范围内的指增还是效果有限，应当放宽范围至全市场。

实验结果（高活跃市场（涨停））

对活跃市场进一步限制，追逐涨停热点、龙头，最佳绩效如下：

{"_stock_count": 10, "_weight_i": 2, "_freq": 2, "_max_one_stock": 0.15}

sharpe ret ret_b alpha max_dd max_dd_p 1.063 0.991 0.175 0.2977 -0.295 108

3年的滚动绩效可以战胜指数，可以作为实盘储备。

实验结果（机构、私募主场票）

{"_stock_count": 10, "_weight_i": 2, "_freq": 2, "_max_one_stock": 0.15}

sharpe ret ret_b alpha max_dd max_dd_p 1.104 1.278 0.175 0.3858 -0.334 73

2022年比较惨烈，这里没有贴图，但是最近2个月的绩效较不错，符合市场，可以考虑择时。

实验结果（新股、次新市场）

{"_stock_count": 5, "_weight_i": 0, "_freq": 2, "_max_one_stock": 0.15}

sharpe ret ret_b alpha max_dd max_dd_p 1.181 1.445 0.175 0.4571 -0.3239 108

策略多样性的补充。

结论

1.近3年，在不同的市场情况下都能有战胜指数的表现，总体绩效较为稳定。

2.不需要考虑因子的构成，能够较快的实现策略思想的构建。从而通过多策略进一步平滑曲线战胜市场。

思考

细节决定成败，对原版的DL已经进行了大量修改，在label标注，轮仓策略，标准化方式等数据处理上都进行了符合个人习惯的修改，也是部分来自于实盘和sr的经验积累。使用原版DA模型并不能得出上述结果，请注意。
DL类模型与SR是一个互补的模型，在提高模型多样性，增加整体实盘鲁棒性上有贡献。
DA模型在考虑训练时间、训练收益方面做到了平衡，比LSTM，CNN类快。

在实验中部分曲线与头部私募高度一致，意味着量化其实都是同源，由于市场不能做空，收益都是高度雷同的。

下一步计划

在模型整体前置环节，考虑增加CNN+LSTM，但是考虑到训练收益比，绩效提升不一定划算。
对98因子进行选择，以上述结果为baseline进行调优。
形成策略库，优化轮仓、择时，为实盘补充做准备。
测试更短时间的ROLLING绩效。

如果量化定义高活跃股和机构、私募主场票？
优秀