量化投研模式的转变
　　由于因子数量有限、技术手段以线性为主等原因，早期的量化投研的主要模式为独立子策略合成，在各子策略下构建因子库和模型，最后进行多策略融合，而随着数据源日益丰富，资产定价进入了高维度和非线性时代，因子-模型-组合优化的模块化投研模式逐渐形成，各子策略下的因子合并形成共同的因子库，在此基础上平行构建模型并集成。
　　深度学习模型
　　深度学习基于神经网络结构，通过多层非线性转换，从数据中更加自动地学习有效的特征表示。与线性模型、机器学习模型相比，深度学习模型包含更丰富的算法结构，支持更灵活的样本形式和处理技巧，可以在更高层次更加精细地挖掘非线性信息。
　　本报告介绍了并使用了胶囊网络模型、VIT模型、深度残差网络模型、注意力集中网络模型、以及时空卷积神经网络模型，利用这些网络结构作为基础模块所合成的深度网络进行因子合成。
　　基于深度学习的因子合成
　　本期报告利用量价、基本面、一致预期和高频数据所挖掘的因子，进行模型训练和合成。在特征工程上，形成多周期、多标签、多Channel的样本形式；在网络结构上，综合应用多个深度学习模型，结合各种样本输入形式，进行模型的变种组合；在模型训练上，采用滚动训练的方式，并进一步将子模型的预测结果进行模型合成。
　　从实验结果来看，各模型之间的相关性大多低于0.5，各模型的输出与风格因子的相关性低于0.4。在IC方面，集成模型模型比单模型有所提升。回测结果表明，在头部组合上，各模型在超额等不同指标和不同年份的效果强弱不一，模型集成后对头部组合的收益和夏普起到稳定作用，而PortfolioIntegration方式的超额夏普为4.55，多组合的合成在最大程度降低了组合整体的风险，来提升夏普比率；在多空组合上，集成模型的年化收益比各单模型均有提升。
　　风险提示：模型计算可能存在偏误，业绩不代表未来;因子测试、机器学习建模是对历史经验的总结，模型学习到的市场规律在未来存在失效的可能。
　　

研究报告全文：证券研究报告量化深度深度学习因子库多因子与ESG策略多数据源多网络因子合成量化投研模式的转变由于因子数量有限技术手段以线性为主等原因早期的量化投研的主要模式为独立子策略合成在各子策略下构建因子库鲁植宸和模型最后进行多策略融合而随着数据源日益丰富资产定luzhichencsccomcn价进入了高维度和非线性时代因子-模型-组合优化的模块化投15611537505研模式逐渐形成各子策略下的因子合并形成共同的因子库在SAC执证编号S1440522080005此基础上平行构建模型并集成深度学习模型深度学习基于神经网络结构通过多层非线性转换从数据研究助理徐建华中更加自动地学习有效的特征表示与线性模型机器学习模型xujianhuacsccomcn相比深度学习模型包含更丰富的算法结构支持更灵活的样本形式和处理技巧可以在更高层次更加精细地挖掘非线性信息研究助理陈添奕本报告介绍了并使用了胶囊网络模型VIT模型深度残差chentianyicsccomcn网络模型注意力集中网络模型以及时空卷积神经网络模型利用这些网络结构作为基础模块所合成的深度网络进行因子合发布日期2022年12月15日成基于深度学习的因子合成市场表现本期报告利用量价基本面一致预期和高频数据所挖掘的4因子进行模型训练和合成在特征工程上形成多周期多标-6签多Channel的样本形式在网络结构上综合应用多个深度-16学习模型结合各种样本输入形式进行模型的变种组合在模型训练上采用滚动训练的方式并进一步将子模型的预测结果-26进行模型合成202245202175202185202195202215202225202235202255202265202110520211152021125上证沪深从实验结果来看各模型之间的相关性大多低于05各模型50300的输出与风格因子的相关性低于04在IC方面集成模型模型比单模型有所提升回测结果表明在头部组合上各模型在超相关研究报告额等不同指标和不同年份的效果强弱不一模型集成后对头部组220911基于供应链关系矩阵的因子增强合的收益和夏普起到稳定作用而PortfolioIntegration方式的超220901量价因子策略库更新额夏普为455多组合的合成在最大程度降低了组合整体的风险220530权益类公募基金量化标签库来提升夏普比率在多空组合上集成模型的年化收益比各单模220512CNE7经典版多因子模型型均有提升220426基于历史波动率和VIX指数的择时研究风险提示模型计算可能存在偏误业绩不代表未来因子测试机器学习建模是对历史经验的总结模型学习到的市场规律在未来存在失效的可能本报告由中信建投证券股份有限公司在中华人民共和国仅为本报告目的不包括香港澳门台湾提供在遵守适用的法律法规情况下本报告亦可能由中信建投国际证券有限公司在香港提供同时请参阅最后一页的重要声明多因子与ESG策略量化深度报告目录一引言2二深度学习模型321胶囊网络模型322VIT模型423深度残差网络模型524注意力集中网络模型525时空卷积神经网络模型6三基于深度学习的因子合成731因子来源732深度学习模型设计及训练833模型结果分析933模型回测10四总结与展望15参考文献16图表目录图表1子策略投研模式2图表2模块化投研模式2图表3胶囊网络模型3图表4VIT模型4图表5深度残差网络模型5图表6注意力集中网络模型6图表7时空卷积神经网络模型7图表8深度学习模型训练流程8图表9各模型输出和Barra风格因子的相关性9图表10各模型与不同周期收益率的IC9图表11IR10图表12头部组合表现11图表13头部组合净值12图表14多空组合净值12图表15多空组合表现13图表16Model01净值14图表17Model02净值14图表18Model03净值14图表19Model04净值14图表20Model05净值14图表21ModelIntegration净值14图表22PortfolioIntegration净值15请参阅最后一页的重要声明多因子与ESG策略量化深度报告一引言早期量化投研模式中单因子的有效性对于策略效果影响较大策略中所使用的因子数量有限因子合成以线性加权为主投研工作流程的生产模式以独立子策略合成为主每个子策略下各自维护相应因子库及模型并进行多策略融合图表1子策略投研模式资料来源中信建投图表2模块化投研模式资料来源中信建投请参阅最后一页的重要声明多因子与ESG策略量化深度报告随着数据源日渐丰富一致预期逐笔数据量价新闻情绪等信息源被陆续用到因子挖掘中因子数量剧增资产定价进入了高维度和非线性时代同时随着机器学习深度学习算法被广泛应用到资产定价因子选股框架下因子的角色由信号转变为特征量化投研流程的生产模式随之发生结构上的变化形成因子-模型-组合优化的模块化投研模式各个子策略下的因子合并形成共同的因子库在此基础上平行构建模型并集成机器学习深度学习模型在数据的拟合上展现出强大的性能能够充分挖掘样本特征和监督信息之间的非线性信息此外相比于线性模型而言机器学习模型的求解过程以数值解为主模型对样本特征的分布的前提假设更少支持更多更灵活的样本特征处理技巧深度学习在神经网络的基础上包含更多的隐藏层更丰富的网络结构支持更灵活的样本输入形式可以对数据进行更高层次的抽象从而挖掘更精细的非线性信息近年来深度学习相关的学术研究提出了丰富的网络结构和相关机制一方面实现特征提取能力的增强另一方面达到稳定收敛效果的目的同时还兼顾了图片关系图序列等不同形式的样本结构和检测识别翻译等应用场景本报告利用近年来所提出的应用较为广泛的深度学习网络结构在模块化投研模式下利用多数据源所维护的因子库设计并训练5个深度学习模型并在模型集成组合集成环节对单模型多模型效果进行分析二深度学习模型21胶囊网络模型胶囊网络基于逆渲染的思想设计根据图像反推出物体的信息和空间几何信息相比于普通的神经网络胶囊网络由一个个胶囊组成其中每个胶囊包含一组神经元而每个胶囊被看作一个整体每个胶囊负责检测一个具体的模式并输出一个向量每个向量的长度代表了物体是否存在的估计概率1它的方向记录了物体的姿态参数网络结构如下图所示由卷积层PrimaryCaps层和和DigitCaps层组成其中PrimaryCaps包含32个胶囊DigitCaps层包含10个胶囊图表3胶囊网络模型资料来源参考文献4请参阅最后一页的重要声明多因子与ESG策略量化深度报告胶囊网络有效地解决了传统卷积神经网络中特征间位置关系的问题使得能够有效解释整体与部分的关系且能够很好的应对模糊性对数据中特征的位置关系更加敏感22VIT模型VIT模型即visiontransformer其想法是将在NLP领域的基于自注意力机制transformer模型用于图像任务中相比于图像任务中的传统的基于卷积神经网络模型VIT模型在大数据集上有着比卷积网络更强的效果和更节约的成本VIT模型由三个模块组成LinearProjectionofFlattenedPatchesEmbedding层TransformerEncoder图右侧有给出更加详细的结构MLPHead最终用于分类的层结构图表4VIT模型资料来源参考文献2如上图所示transformer模型是用于自然语言处理的一个基于注意力机制的模型该模型主要由解码器和编码器两部分组成将transformer从处理时间序列数据迁移到处理高维图像数据需要将高维图像数据转换为一维数据相比于transformer模型VIT模型进行了如下改动传统Transformer结构是由Encoder-Decoder框架组成而对于VIT来说只使用了Encoder部分标准Transformer的输入是一维序列数据所以需要将图像转换为序列数据而VIT将一张图片无重叠切分成固定大小的patches然后将每一个patch通过拉伸操作转换为一维向量最后通过一个线性变换层将输入的patches转换为一个固定长度的向量称为patchembeddingVIT模型对TransformerEncoder的输入做了调整在输入序列的最开始位置添加了一个CLSTokenVIT模型的优点在于从浅层和深层中获得的特征之间VIT有更多的相似性且VIT保留了更多的空间信息可以从大量数据中学到高质量的中间特征请参阅最后一页的重要声明多因子与ESG策略量化深度报告23深度残差网络模型理论上在原有的神经网络模型基础上添加新的层得到新模型充分训练新模型后能够得到更低的训练误差因为原模型的空间只是新模型解的空间的子空间也就是说如果我们能够将新添加的层训练成恒等映射新模型和原模型同等有效由于新模型可能训练出更优的解来拟合训练数据集因此添加更多的层更容易降低训练误差但在实际情况中添加过多的层训练误差不降反升出现了网络退化的情况针对这个问题Kaiming等人提出了残差神经网络图表5深度残差网络模型资料来源参考文献3如上图所示假设我们希望学出理想的映射为那么只需要拟合出有关恒等映射的残差映射残差神经网络在原有网络的基础引入了跳跃连接即恒等变换层identity将浅层网络直接与深层网络相连保证了深层网络能够同时捕获浅层特征信息和深层特征信息加快模型收敛速度和提高模型性能24注意力集中网络模型循环神经网络中随着步长的增加神经元中包含初始状态的信息不断衰减导致神经元会遗忘源端序列信息而更多的关注离该神经元最近部分的信息尽管针对该问题LSTM网络被提出但问题仍然没有被完全解决因此注意力集中网络模型被提出该模型抛弃了传统的序列对齐的RNN和CNN方法使用了attention机制来处理时间序列数据请参阅最后一页的重要声明多因子与ESG策略量化深度报告图表6注意力集中网络模型资料来源参考文献5模型结构如上图所示模型采用encode-decoder结构模型引入了多头注意力机制既解决了神经元的信息遗忘问题又解决了自注意力机制中模型对当前位置的信息进行编码时过度的将注意力集中于自身位置的问题该模型大大提高了训练速度并有效地学习长周期信息25时空卷积神经网络模型在深度学习中RNN在几乎所有的序列问题上都有良好表现包括语音文本识别机器翻译手写体识别序列数据分析预测等但在实际应用中RNN循环神经网络在内部设计上存在一个严重的问题由于网络一次只能处理一个时间步长后一步必须等前一步处理完才能进行运算这意味着RNN不能像CNN那样进行大规模并行处理特别是在RNNLSTM对文本进行双向处理时这也意味着RNN极度地计算密集因为在整个任务运行完成之前必须保存所有的中间结果针对循环神经网络的时序性问题时空卷积神经网络模型以循环神经网络模型和卷积神经网络为基础做了如下改进使用因果卷积CausalConvolution序列模型加速计算过程记忆历史基于空洞卷积膨胀卷积DilatedConvolution残差模块Residualblock请参阅最后一页的重要声明多因子与ESG策略量化深度报告图表7时空卷积神经网络模型资料来源参考文献1相比于循环神经网络因果卷积不需要考虑未来信息给定输入序列123预测123在预测时只能使用已经观测到的序列123而不能使用123从而解决了运算时序性问题在时间序列问题上为了使模型更容易学习长时序信息需要增大网络感受野普通卷积网络会使用更大的卷积核或者加深模型深度来增大感受野这两种做法都会导致模型参数量变大针对该问题时空卷积神经网络提出了空洞卷积相比于普通卷积空洞卷积在保证卷积核参数不变的情况下增大的模型感受野对于一个尺寸为的普通卷积卷积核大小为参数总量为2而在保证参数量不变扩张率为2的情况下空洞卷积的尺寸为22感觉野比普通卷积更大从而使得模型能在较小卷积核下实现更大的感受野更容易学习长时序信息随着模型深度加深会出现模型误差不降反升的情况而且模型的训练变得愈加困难这是因为随着网络深度增加浅层网络的信息无法有效传到深层网络导致模型梯度消失从而大大影响模型性能针对该问题模型引入残差模块将浅层网络直接与深层网络进行相连使得深层网络能够有效捕获浅层特征和深层特征三基于深度学习的因子合成31因子来源作为深度学习模型的样本特征本报告所使用的因子主要来源于量价财务一致预期和逐笔数据量价因子根据价格成交量等基础指标通过表达式的形式构建因子在股票市场中投资者的非理性行为常常导致股票价格偏离其内在价值量化投资通过量价因子来分析股票价格和成交量的信息捕捉投资请参阅最后一页的重要声明多因子与ESG策略量化深度报告者不理性的投资行为并利用该信息构建相应的投资策略以此获取超额收益典型的量价因子类型包括动量波动率上下限统计量量价相关性形态机器枚举等类型财务因子财务因子所依赖的基础数据主要来源于上市公司发布的资产负债表利润表和现金流量表中的各项指标还包括原始财务数据结合交易数据计算出的财务指标如每股收益EPS市净率PE等一致预期因子相比于一般个人或机构投资者分析师具有更丰富的信息获取渠道优势以及更为专业的分析能力分析师的预期评价的收录为量化投研提供了新维度的数据源Level2因子逐笔成交数据是市场真实的单次成交记录能够完整地呈现市场买卖单撮合的实际情况而逐笔委托数据是市场中投资者的挂单委托清单展现了其买卖情绪逐笔数据反映了市场大小资金的流动买卖单对手盘分布等信息32深度学习模型设计及训练本期报告的思路为基于统一的因子库综合量价基本面一致预期和高频数据中的信息进行样本处理模型设计和训练特征工程方面在样本预处理的基础上基于ICIR互信息等线性非线性的指标进行特征选择并基于所使用的模型的特点进行样本特征结构设计样本标签上结合截面选股的应用场景和换手周期对预期收益率进行量纲处理风格处理从而形成多周期多标签多Channel的样本形式网络结构设计上在胶囊网络VIT时空卷积Attenttion等模块及机制的基础上结合各种样本输入形式进行网络结构的组合变种并针对性的设计优化函数目标组合成多个子模型模型训练上采用滚动训练的方式将滚动测试集上的结果作为最终模型预测结果并进一步将各个子模型的预测结果去量纲后进行合成图表8深度学习模型训练流程资料来源中信建投请参阅最后一页的重要声明多因子与ESG策略量化深度报告33模型结果分析本报告基于上述流程中的不同因子模型单元模块模型结构设计了5个神经网络模型并通过滚动训练和预测的方式得到20180101-20221130的预测结果以及5个模型集成后的结果ModelIntegration从各个模型之间的相关性在02-06之间除了CorrModel02Model03CorrModel01Model04之外其他模型之间的相关性均低于05各个模型之间的相关性总体较低将模型合成之后合成模型与5个子模型的相关性在07附近各个模型的输出和CNE7模型的10个风格因子的相关性在-0405之间集成后模型和10个风格因子的相关性在-0303之间图表9各模型输出和Barra风格因子的相关性Model01Model02Model03Model04Model05ModelIntegrationGROWTHMOMENTUMLIQUIDITYBETAMIDCAPBTOPRESVOLEARNYILDLEVERAGESIZEModel01102230284054402400691-0005-0105-0308007300270095-03620104-00220042Model020223105720249047107290159021700080077-0014-00780043-005700080073Model0302840572103000497075002150150-0163003301300050-0133020700380249Model0405440249030010357072600330025-0249002301120000-01470057-00130196Model0502400471049703571074002070254-006401160246-00910037002700410376ModelIntegration06910729075007260740101710121-0215008901660024-0177014000170272数据来源中信建投Wind朝阳永续注数据截至20221130根据151020日收益率分别计算各个模型输出的ICModel01Model04的单模型效果在各个周期上都最好其中1日IC分别为004800495日10日20日IC在08-09之间将5个模型去量纲集成后IC在各个周期上相比于最好的单模型而言均有提升1日5日10日20日IC分别为00520083009401各个年份上各个模型之间的相对强弱与全周期一致但是从逐年IC上来看2018年以来模型效果呈现衰减的现象图表10各模型与不同周期收益率的IC20182019202020212022全周期1日收益率Model01007200450050003500390048Model02003300280032002600260029Model03004600390034002100200032Model04006400530056003800340049Model05003900310035002200180029ModelIntegration0069005500580039003700525日收益率Model01011300710081005800630078Model02005300450059004000460049Model03007800660060002500270052Model04010100810095005900540079Model05006100500066002700270047ModelIntegration01100087010000560058008310日收益率Model01012500750093006600750087Model02005900520073004400590058Model03008900770075002400320060Model04011200880109006600650089Model05006700590083002600350055ModelIntegration01220097011900600069009420日收益率Model01012100710099007400790089Model02005800560086004400730063Model03009000930089002600370068Model04011000870120006600660091Model05007100680100001900430061ModelIntegration012001040135006100750100数据来源中信建投Wind朝阳永续注数据截至20221130请参阅最后一页的重要声明多因子与ESG策略量化深度报告在IR方面单模型相对强弱效果与IC一致在各个周期上多模型集成后IR值相比于最佳的单模型而言效果没有提升模型合成增加了IC的波动性图表11IR20182019202020212022全周期1日收益率Model01102065061059051066Model02076065059032027044Model03075051047025020040Model04091078076054040066Model05053036036020015030ModelIntegration0980680710480370625日收益率Model01160085113099101107Model02112093107045044067Model03129075088027027061Model04141099139084073104Model05080048063024024045ModelIntegration15609013106506009410日收益率Model01197097129128126127Model02142101132046059079Model03159096125026033073Model04181124168091095125Model05096058074022035053ModelIntegration19011116506807611120日收益率Model01200100134169114133Model02133097140046067082Model03178133166032037088Model04214126170092080125Model05099072088015044058ModelIntegration198130184074077119数据来源中信建投Wind朝阳永续注数据截至2022113033模型回测基于每个模型的输出本报告进一步通过分组多空测试进行回测从而评估各个模型在组合收益上的效果股票池测试采用股票池为中证全指成分股剔除其中被ST停牌次日一字板股票回测区间20180101-20221130回测方式每隔5日调仓调仓将因子分为5层各层市值加权得到净值不考虑交易费用其中TT4日每日一个子组合5个子组合取平均同时测试将各个模型的回测结果等权合成之后作为进行对比PortfolioIntegration从单模型上看Model01和Model02的超额较为突出超额夏普方面Model01Model04表现较好均为39左右从逐年头部组合效果来看各个的相对强弱在各个年份上不太一致Model01在2021年超额10弱于其他所有模型Model02在2018年超额1733弱于其他模型请参阅最后一页的重要声明多因子与ESG策略量化深度报告图表12头部组合表现数据来源中信建投Wind朝阳永续注数据截至20221130在对模型进行集成之后从逐年超额超额夏普来看头部组合每年效果都不算是所有模型中最佳的但是每年在所有模型中超额都稳定为次优模型集成后对头部组合的收益和夏普起到进一步稳定的作用对于PortfolioIntegration方式而言其超额夏普为455相比于其他单模型模型集成而言超额夏普都有提升但是年化超额收益2767仅仅为所有模型中的倒数第二多组合合成的方式最大程度降低了组合整体的风险来提升夏普比率请参阅最后一页的重要声明多因子与ESG策略量化深度报告图表13头部组合净值头部组合净值64202018010220180222201804112018052920180713201808282018101920181204201901212019031320190429201906182019080120190917201911072019122320200214202003312020052020200707202008202020101320201126202101122021030420210420202106082021072320210907202111012021121520220207202203232022051320220629202208122022092820221118Model01Model02Model03Model04Model05ModelIntegrationPortfolioIntegration中证全指数据来源中信建投Wind朝阳永续注数据截至20221130多空净值方面模型集成的方式在各全周期上年化收益90比所有模型都有较大提升在逐年效果上相比于其他模型均有较大的增量Model01和Model04在多空净值上分别为5865相对其他单模型比较突出Model04的头部组合效果多空组合效果反映的该模型在IC层面相对于其他模型的增量大部分来源于尾部股票头部股票贡献IC较少通过模型集成之后能够在提升收益区分度的同时稳定头部组超额图表14多空组合净值多空组合净值252015105020180102202106022021072320180228201804232018061420180806201809262018112220190115201903132019050820190628201908192019101620191205202002042020032520200520202007132020090120201029202012182021020920210408202109132021111120211231202203012022042220220617202208082022092820221124Model01Model02Model03Model04Model05ModelIntegrationPortfolioIntegration数据来源中信建投Wind朝阳永续注数据截至20221130请参阅最后一页的重要声明多因子与ESG策略量化深度报告图表15多空组合表现数据来源中信建投Wind朝阳永续注数据截至20221130请参阅最后一页的重要声明多因子与ESG策略量化深度报告图表16Model01净值图表17Model02净值4453543352532522151511050500202008062018010220180313201805212018072420180926201812052019021520190422201906282019083020191111202001142020032520200602202010162020121820210301202105072021071220210913202111242022012720220411202206172022081920221031201803132021030120220127201801022018052120180724201809262018120520190215201904222019062820190830201911112020011420200325202006022020080620201016202012182021050720210712202109132021112420220411202206172022081920221031分组1分组2分组3分组4分组5分组1分组2分组3分组4分组5数据来源Wind中信建投朝阳永续数据来源Wind中信建投朝阳永续注数据截至20221130注数据截至20221130图表18Model03净值图表19Model04净值342532215110500202209082018010220180416201807232018110120190213201905232019082720191206202003192020063020201009202101132021042620210803202111152022022420220607201803132021030120220127201801022018052120180724201809262018120520190215201904222019062820190830201911112020011420200325202006022020080620201016202012182021050720210712202109132021112420220411202206172022081920221031分组1分组2分组3分组4分组5分组1分组2分组3分组4分组5数据来源Wind中信建投朝阳永续数据来源Wind中信建投朝阳永续注数据截至20221130注数据截至20221130图表20Model05净值图表21ModelIntegration净值44543353225121501050201807232020063020220607201801022018041620181101201902132019052320190827201912062020031920201009202101132021042620210803202111152022022420220908202008062018010220180313201805212018072420180926201812052019021520190422201906282019083020191111202001142020032520200602202010162020121820210301202105072021071220210913202111242022012720220411202206172022081920221031分组1分组2分组3分组4分组5分组1分组2分组3分组4分组5数据来源Wind中信建投朝阳永续数据来源Wind中信建投朝阳永续注数据截至20221130注数据截至20221130请参阅最后一页的重要声明多因子与ESG策略量化深度报告图表22PortfolioIntegration净值353252151050201805212022041120180102201803132018072420180926201812052019021520190422201906282019083020191111202001142020032520200602202008062020101620201218202103012021050720210712202109132021112420220127202206172022081920221031分组1分组2分组3分组4分组5四总结与展望本期报告基于量化投研在高维度和非线性时代向因子-模型-组合优化的模块化模式转变的背景利用量价财务一致预测逐笔数据等多数据源所维护的因子库设计并应用胶囊网络模型VIT模型等5个神经网络模型通过模型集成组合集成环节分析了单模型和多模型在因子合成中的效果模型结果表明各模型之间的相关性大多低于05各模型的输出与风格因子的相关性也总体较低在IC方面集成模型模型比单模型有所提升而在IR方面多模型集成后并无提升模型合成增加了波动性回测结果显示在头部组合上各模型在超额等不同指标和不同年份的效果强弱不一模型集成后对头部组合的收益和夏普起到稳定作用而PortfolioIntegration方式的超额夏普为455多组合合成在最大程度降低了组合整体的风险来提升夏普比率在多空组合上集成模型的年化收益比各单模型均有提升五风险提示本报告所涉及的因子挖掘是基于历史行情总结规律后所刻画出的股价先行指标其有效性会随着市场风格变化因子被使用的程度等因素发生变化本报告所介绍的机器学习模型是基于历史数据进行训练拟合假设数据中的信息和经验能在未来延续市场风格变化极端行情等因素都会导致这一假设在部分时段不成立投资者应结合自身情况自主对相关方法进行选择性使用并自行承担相应风险本报告所介绍的方法论不构成投资收益的保证或投资建议请参阅最后一页的重要声明多因子与ESG策略量化深度报告参考文献1BaiSKolterJZKoltunVAnempiricalevaluationofgenericconvolutionalandrecurrentnetworksforsequencemodelingJarXivpreprintarXiv18030127120182DosovitskiyABeyerLKolesnikovAetalAnimageisworth16x16wordsTransformersforimagerecognitionatscaleJarXivpreprintarXiv20101192920203HeKZhangXRenSetalDeepresiduallearningforimagerecognitionCProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition2016770-7784SabourSFrosstNHintonGEDynamicroutingbetweencapsulesJAdvancesinneuralinformationprocessingsystems2017305VaswaniAShazeerNParmarNetalAttentionisallyouneedJAdvancesinneuralinformationprocessingsystems201730请参阅最后一页的重要声明多因子与ESG策略量化深度报告鲁植宸多因子与策略组分析师中国科学院硕士曾在头部券商自营从事分析师介绍ESG量化投研和实盘管理工作在人工智能机器学习算法的量化应用方面有从学术研究到策略设计实盘落地及策略管理的全周期经验研究方向覆盖机器学习算法多因子模型-策略设计建模训练过程优化样本特征处理技术ESG策略和指数编制等徐建华总监多因子与策略组首席先后就职于公司和标普研究助理ESGMSCIBarra公司等专业研究机构具有十多年金融市场研究统计建模等专业经验为多家银行基金和保险等资管客户提供因子模型投资组合优化管理基金评价指数研究以及风险管理等咨询陈添奕多因子与ESG策略组研究员美国杜克大学经济学硕士FRM曾任研究助理MSCIBarra及美国贝莱德集团等主要负责多资产量化模型和策略研究指数基金研究和策略气候风险资产组合管理系统等投资研究服务FOFESG请参阅最后一页的重要声明多因子与ESG策略量化深度报告评级说明投资评级标准评级说明报告中投资建议涉及的评级标准为报买入相对涨幅15以上告发布日后6个月内的相对市场表现增持相对涨幅515也即报告发布日后的6个月内公司股股票评级中性相对涨幅-55之间价或行业指数相对同期相关证券市减持相对跌幅515场代表性指数的涨跌幅作为基准A股卖出相对跌幅15以上市场以沪深300指数作为基准新三板强于大市相对涨幅10以上市场以三板成指为基准香港市场以恒中性相对涨幅之间行业评级-10-10生指数作为基准美国市场以标普500弱于大市相对跌幅10以上指数为基准分析师声明本报告署名分析师在此声明i以勤勉的职业态度专业审慎的研究方法使用合法合规的信息独立客观地出具本报告结论不受任何第三方的授意或影响ii本人不曾因不因也将不会因本报告中的具体推荐意见或观点而直接或间接收到任何形式的补偿法律主体说明本报告由中信建投证券股份有限公司及或其附属机构以下合称中信建投制作由中信建投证券股份有限公司在中华人民共和国仅为本报告目的不包括香港澳门台湾提供中信建投证券股份有限公司具有中国证监会许可的投资咨询业务资格本报告署名分析师所持中国证券业协会授予的证券投资咨询执业资格证书编号已披露在报告首页在遵守适用的法律法规情况下本报告亦可能由中信建投国际证券有限公司在香港提供本报告作者所持香港证监会牌照的中央编号已披露在报告首页一般性声明本报告由中信建投制作发送本报告不构成任何合同或承诺的基础不因接收者收到本报告而视其为中信建投客户本报告的信息均来源于中信建投认为可靠的公开资料但中信建投对这些信息的准确性及完整性不作任何保证本报告所载观点评估和预测仅反映本报告出具日该分析师的判断该等观点评估和预测可能在不发出通知的情况下有所变更亦有可能因使用不同假设和标准或者采用不同分析方法而与中信建投其他部门人员口头或书面表达的意见不同或相反本报告所引证券或其他金融工具的过往业绩不代表其未来表现报告中所含任何具有预测性质的内容皆基于相应的假设条件而任何假设条件都可能随时发生变化并影响实际投资收益中信建投不承诺不保证本报告所含具有预测性质的内容必然得以实现本报告内容的全部或部分均不构成投资建议本报告所包含的观点建议并未考虑报告接收人在财务状况投资目的风险偏好等方面的具体情况报告接收者应当独立评估本报告所含信息基于自身投资目标需求市场机会风险及其他因素自主做出决策并自行承担投资风险中信建投建议所有投资者应就任何潜在投资向其税务会计或法律顾问咨询不论报告接收者是否根据本报告做出投资决策中信建投都不对该等投资决策提供任何形式的担保亦不以任何形式分享投资收益或者分担投资损失中信建投不对使用本报告所产生的任何直接或间接损失承担责任在法律法规及监管规定允许的范围内中信建投可能持有并交易本报告中所提公司的股份或其他财产权益也可能在过去12个月目前或者将来为本报告中所提公司提供或者争取为其提供投资银行做市交易财务顾问或其他金融服务本报告内容真实准确完整地反映了署名分析师的观点分析师的薪酬无论过去现在或未来都不会直接或间接与其所撰写报告中的具体观点相联系分析师亦不会因撰写本报告而获取不当利益本报告为中信建投所有未经中信建投事先书面许可任何机构和或个人不得以任何形式转发翻版复制发布或引用本报告全部或部分内容亦不得从未经中信建投书面授权的任何机构个人或其运营的媒体平台接收翻版复制或引用本报告全部或部分内容版权所有违者必究中信建投证券研究发展部中信建投国际北京上海深圳香港东城区朝内大街2号凯恒中心B上海浦东新区浦东南路528号福田区益田路6003号荣超商务中环交易广场2期18楼座12层南塔2106室中心B座22层电话86108513-0588电话86216882-1600电话867558252-1369电话8523465-5600联系人李祉瑶联系人翁起帆联系人曹莹联系人刘泓麟邮箱lizhiyaocsccomcn邮箱wengqifancsccomcn邮箱caoyingcsccomcn邮箱charleneliucscihk请参阅最后一页的重要声明