神经网络因子挖掘(四)：因子风格暴露与标签中性化

　　2024年神经网络类量价因子依旧可观我们回顾了2024 年神经网络量价因子的表现，发现其在沪深300 指数中的预测能力显著超过历史平均水平，而在中证全指成分股内，合成因子的5 日收益率RankIC 为11.28%与历史平均水平较为接近，但20 日收益率RankIC 为10.69%，相对于历史平均水平14.90%有较大下滑，这可能与2024 年行业轮动和风格轮动的速度加快有关。

    　　Alpha 预测是提升收益稳定性的关键

    　　通过将预测目标调整为市值行业Barra 中性化收益率（Alpha1），模型风格暴露显著降低。以残差波动因子为例，Alpha1 与Barra 风格因子相关系数均值从Baseline 的-29.45%降至-15.04%。因子严格中性化后Alpha1 的Top 组超额收益达20.19%，较Baseline 提升3.15%，且在2024 年2 月及9 月的极端行情中回撤更小。

    　　因子存在一定的风格择时能力

    　　严格中性化后，我们的合成因子RankIC 普遍下滑三分之一，表明原模型收益部分依赖Beta 暴露（如小市值、低流动性）。但Beta 收益并非完全无效，沪深300 内因子通过风格择时（如2019-2020 年偏大市值，2022-2023 年偏小市值）实现长期超额。因此，需结合事前剔除（软中性）与事后约束（硬中性），平衡Alpha 与Beta 收益的获取。

    　　Alpha 收益率和原始收益率作为预测目标各有利弊对比Alpha1 与Baseline 的多头净值比，二者在2019-2021 年表现趋同，但2024 年Alpha1在市值因子剧烈切换时优势显著。对比二者后，我们发现不同策略在全年收益相近（中证全指23.75%），但是在路径上有较大区别。

    　　预测Beta 收益或可进行风格择时

    　　我们以Beta 预测值与每个风格因子的IC 时间序列为基础，再计算其IC 值的20 日差分作为对应风格方向择时指标，计算该指标与风格因子是否反向的混淆矩阵，目的在于观察我们的预测值是否有风格异常时的提示能力。从精确率和召回率的角度来看，有一定的效果，但也无法作为一个高胜率的指标来使用。

    　　将Alpha 预测值和Beta 预测值按照3:1 比例线性加权后与原始收益率预测值较为接近，但多头超额可进一步提升，最终相比于Baseline 提升3.07%。

    　　风险提示

    　　1、深度学习模型训练过程中有随机性，可能导致预测结果有误差；2、模型总结的市场规律是基于历史数据的，存在失效风险；3、日频交易策略回测结果仅供参考；

    　　4、数据处理细节上的差异对策略有一定的影响。