TRA模型架构与多交易模式识别 [page::5][page::6][page::7]

• TRA由多个预测器和路由器组成，预测器对应不同交易模式，路由器动态分配样本到预测器。

- 预测器数量不宜过多，需降低预测器间相关性以提高多样性。

• 设置最优传输正则化防止路由器过度集中于单一预测器，保证多样化交易模式学习。

输入特征与特征提取方法比较 [page::9][page::10]

• 输入包含基础特征、遗传规划alpha因子(100个)和风险因子(10个)。

- 不同输入因子相关性较低，融合多输入可提升模型表现。

• Transformer特征提取优于LSTM和ALSTM，表现更佳。

- 路由器输入结合主干特征隐状态和预测器预测误差，改善模式识别效果。

多预测器性能与最优运输机制效果 [page::11][page::12]

• 多预测器模型较单预测器显著提升IC及多头稳定性。

- 原版预测器相关性高达99%，修改损失函数引入相关性惩罚降低相关性至约50%以下。

• 加入OT机制后各预测器因子表现更均衡，避免仅选择表现最好的预测器导致过拟合。

TRA模型合成因子表现与策略回测 [page::18][page::19][page::25]

• 中证全指股票池上，TRA因子rankic达到16.38%，20组多头年化超额收益23.86%，月均单边换手57%。

- 沪深300、500、1000股票池中，TRA模型均表现优异，尤其在中证1000排位和收益较好，换手较神经网络模型降低30%以上。

• 合成因子稳定性好，滞后20日rankic仅衰减约30%，且中性化后仍保持高IC和稳定性。

- 随机种子影响小，因子值相关系数超过90%。

• 因子相关性低，与其他模型相关性低于50%，具有较好的信息增量。

多模型集成增效 [page::25][page::26][page::27]

• 等权集成TRA与神经网络_new模型在中证各股票池带来显著收益提升。

- 中证全指样本集成后rankic超过18%，多头年化超额收益25%以上，换手率适中。

• 沪深300和中证500股票池集成组合年化超额收益提升明显，换手率降低，组合稳定。

- 中证1000集成组合收益提升最为显著，月均单边换手率70%-80%。

指数增强组合表现 [page::30][page::32][page::33][page::34]

• TRA模型在沪深300、中证500、1000指数增强组合均表现优异，信息比分别达1.87、1.85和2.35。

- 年化对冲收益达13%、14%和18.47%，单边换手率低于或接近8倍。

• 组合偏向小市值、低波动、低换手率及低估值股票，风格暴露一致。

- 组合最大回撤控制良好，适合风险偏好中等投资者。

Top 组合选股策略与实证表现 [page::28][page::29]

• 中证全指Top100组合从2020年到2023年表现稳健，年化超额收益达31.27%。

- 单边年换手率8倍，最大回撤21.67%，2023年盘中最高超额收益25%。

• Top300组合表现相似，年化超额收益30.07%，换手率6.54倍，适合规模较大资金持仓。

- 考虑了交易成本与流动性约束，确保组合实际操作可行性。

DFQ-TRA 多交易模式学习因子挖掘系统研究报告详尽分析

---

一、元数据与报告概览

报告标题：DFQ-TRA：多交易模式学习因子挖掘系统（因子选股系列之九十七）

作者及机构：杨怡玲、刘静涵，东方证券研究所

发布日期：2023年11月14日

研究主题：基于Temporal Routing Adaptor（TRA）模型的股票收益率预测因子挖掘与优化，重点关注多交易模式识别及模型端到端学习能力，涵盖中国A股市场的不同股票池（中证全指、沪深300、中证500、中证1000），并形成多种组合策略（Top组合、指数增强组合）的绩效考察。

核心论点：

• 市场交易模式存在多样化且时变特性，传统单一模型假设“股票数据独立同分布”的方法存在局限。
• TRA模型创新地通过路由器和多预测器并行结构，结合最优传输（OT）机制解决预测器选择偏差，实现动态区分交易模式与更优预测效果。
• 采用多输入（alpha因子+风险因子）、注意力机制（Transformer）特征提取，保证输入信息多元丰富。
• TRA因子在多个股票池和组合中表现卓越，IC及超额收益显著优于多数传统及神经网络因子，且具有较低换手率。
• 风险提示主要为模型失效风险与极端市场波动风险。

[page::0,1,5,35]

---

二、逐节深度解读

2.1 模型概述与多股票交易模式识别

• 核心挑战：股票收益率预测的传统问题在于市场规律动态变化，且存在多种交织的交易模式。
• 股票数据特性分析：

1. 多种分布并存：如动量与反转在不同机构持股水平股票中表现差异（图1数据显示机构持股较高时动量效应积极，中低时出现反转效应），反映非理性因素和市场异质性。

2. 多交易模式存在：不同因子（规模、价值、动量）在不同年份占优（图2），体现投资策略变迁。

3. 时变交易模式：截面回归系数变化（图3）表明时序中动量等因子的关系呈正负切换。

• 结论：需要方法动态适应不同股票与时间上的交易模式。

[page::5,6]

2.2 TRA 模型结构与机制

TRA模型设计要素

• 预测器（Predictors）：多个针对不同交易模式的收益率预测模型，输出层多头设计代替单一输出，支持并行预测，参数增加不显著，避免过拟合。
• 路由器（Router）：利用主干特征潜在表示与多个预测器的历史预测误差，通过门控网络（全连接层）输出样本对应分配各预测器的概率分布，实现动态模式适配（图4、图5结构示意）。

训练机制

• 引入 最优传输（OT） 机制：

- 避免路由器集中选择单一预测器，防止过拟合，提升泛化。

- OT问题以样本到预测器的分配优化形式出现，保证每个预测器分配到均衡的样本比例，实现多模式均衡。

- 使用Sinkhorn-Knopp算法解决OT约束，得到样本分配矩阵。

• 交叉熵正则引导路由器概率分布向OT目标分配趋近，且正则权重$\lambda$随训练阶段递减，后期自主调整。

[page::6,7,8]

2.3 模型核心要点细解

• 多输入设计：融合基础特征、遗传规划(alpha)因子、风险因子输入，结果显示alpha因子效果最佳，风险因子次之，基础特征较弱。多输入等权合成模型效果更优（图6-8，表格性能指标详见相关页）。此设计丰富输入多样性与信息低相关性，强化模型泛化。
• 特征提取：对比LSTM、Attention-LSTM(alstm)、Transformer。Transformer表现最好，特别是在风险因子输入下优势明显。Transformer利用自注意力机制捕捉序列全局依赖，而非顺序依赖（图9）。
• 路由器输入：结合特征隐状态(hidden)和预测误差(histloss)提供信息，两者结合效果最佳，暗示模型不仅依赖潜在特征，也参考预测性能历史数据辅助决策（图10）。
• 多预测器设计：

- 多预测器显著优于单预测器。

- 预测器差异性重要，原始五预测器高度相关失效，加入相关性惩罚后预测器相关性降低（图12、13）。

- OT机制防止预测器集中选择，实现均衡分配（图14-16）。

- 预测器数量不宜过多（5较10个效果更佳）（图17）。

• 端到端加权： TRA模型通过路由器机制，学习多因子加权方案，实现每个股票时点均灵活分配权重，优化多因子合成效果（区别于传统二阶段方法）[page::9-13]

2.4 模型说明与训练细节

• 样本选择为中证全指成分股，训练、验证、测试集时间间隔科学设定以避免数据泄露（训练2009-2018，验证2019，测试2020-2023）。
• 解释变量X为日度特征/因子，预测标签Y采用未来20天收益率排名分位数标准化处理，且X日度特征不做排名转化效果更佳。
• 损失函数包含均方误差、预测器相关性惩罚项、OT引导交叉熵正则。
• 采用参数平均、早停、Gumbel-Softmax噪声注入、Dropout、Gaussian噪声增强等防过拟合技术。
• 训练细节介绍具体批次、样本流程与评估流程，确保训练稳定性和评估准确性[page::13-17]

---

三、图表深度解读（关键图示）

| 图表 | 内容摘要 | 关键数据与解读 | 逻辑联系与作用 | 溯源 |
|-------|----------|-------------|-------------|-------|
| 图1 | 基于机构持股比例分组动量因子表现 | 机构持股最低quartile动量因子rankic为-3.9%，最高quartile为+1.88% | 体现动量与反转并存、多分布特性支撑多模式假设 | [page::5] |
| 图2 | A股Momentum/Value/Size三因子年化超额收益热力图（2007-2020） | 动量2019-20年显著上升，规模在2007-2017年优 | 显示投资风格轮动，市场主导交易模式时间性变化 | [page::6] |
| 图3 | 三因子截面回归系数动态变化 | 动量因子系数2009年为负，2013年转正 | 强调市场存在时变且相互矛盾的交易模式难用单参数模型建模 | [page::6] |
| 图4、5 | TRA预测器+路由器模块结构及网络示意 | 路由器输入样本特征和历史误差，输出预测器分配权重，预测器各自独立收敛 | 架构核心，展示多模式建模和动态适配机制 | [page::6,7] |
| 图6-8 | 不同输入类型模型相关性及绩效对比 | GP因子输入IC最高，模型间相关低，组合输入提升性能 | 证实多输入互补与提升有效 | [page::9] |
| 图9 | Transformer/alstm/lstm特征提取绩效比较 | Transformer明显优于LSTM | 强调自注意力机制重要性 | [page::10] |
| 图10 | 路由器输入不同信息组合性能 | 隐藏状态+误差最佳 | 支持路由器设计 | [page::11] |
| 图11-17 | 预测器数量、相关性与OT正则对绩效及相关性影响 | 多预测器>单预测器，增加相关性正则降低预测器因子相关性，OT平衡预测器权重，10个预测器不优 | 保证模式多样性和模型稳定性 | [page::11-13] |
| 图18-20 | 标签Y及特征X处理差异测试 | 排名Y优于原始收益，X不排名优于排名，非中性化优于中性化 | 数据预处理重要影响指标 | [page::13-14] |
| 图21 | Gumbel-Softmax对比Softmax | Gumbel-Softmax对风险因子提升显著 | 噪声注入提高泛化 | [page::15] |
| 图23-24 | GP和风险因子输入下训练曲线 | GP训练收敛快，风险因子训练较慢但最终效果稳定 | 训练过程视觉验证 | [page::18] |
| 图25-28 | TRA及比较模型在不同股票池合成因子表现 | TRA因子表现优异，IC和超额收益领先，换手率低 | 模型优势验证 | [page::19] |
| 图29-32 | 分年因子绩效 | TRA持续增长，2023年表现最佳 | 展示模型稳健性与最新表现 | [page::20-21] |
| 图33 | 因子衰减速率测试 | TRA模型衰减缓慢，20交易日仅30%衰减 | 因子持久有效性体现 | [page::22] |
| 图34 | 因子中性化表现 | 中性化后IC略降但稳健性增强 | 模型本身已适应风格市值，简化后处理更优 | [page::22] |
| 图35-36 | 随机种子对结果影响 | 相关系数约90%，影响小 | 模型稳定性 | [page::22] |
| 图37-44 | 各模型间因子值及rankic相关性 | TRA模型与神经网络new相关性最低，使得多模型结合增效明显 | 说明TRA因子信息增量 | [page::23] |
| 图45-48 | 两两回归残差绩效 | TRA剔除其他模型仍有较强残差IC，多模型互相增益明显 | 模型互补性验证 | [page::24-26] |
| 图49-52 | 多模型等权合成组合绩效 | 组合效益显著超单一模型，TRA+神经网络new最好 | 多模型集成带来实质收益增长 | [page::26-27] |
| 图53-56 | 中证全指TOP100及TOP300组合表现 | TRA TOP组合年化超额收益31%以上，最大回撤21.67%，换手合理 | 验证模型选股实战能力 | [page::28-29] |
| 图57-65 | 指数增强组合表现+风格暴露 | TRA沪深300、中证500、1000组合均实现显著超额收益，换手率合理，组合偏好小市值低波动等股票（风格图） | 实现风险控制下的收益提升 | [page::30-34] |

---

四、估值分析（模型性能评估）

• 多指标评估体系如IC、ICIR、rankIC、年化超额收益（long_r）、夏普比、最大回撤、换手率等，均衡考察预测有效性、稳定性和交易成本影响。
• TRA模型在几大指数成分股池训练后，在测试集中均表现优异，尤其是rankIC和多年化超额收益指标领先其他强化学习、遗传规划、深度神经网络等多个对比模型。
• 以TRA为核心的多模型等权组合进一步提升组合性能，展现不同模型信息增量，提升因子多样性。
• TRA模型在指数增强组合中表现稳定，信息比最高达2.35，年化对冲收益超过18%，且换手率控制合理（6-9倍单边换手）。

---

五、风险因素评估

• 量化模型基于历史数据可能失效，未必适应未来市场新环境。
• 市场极端波动可能导致模型性能剧烈下降，带来潜在亏损。

---

六、批判性视角与细微差别

• 尽管TRA模型包容多交易模式，改善了传统单一模型假设的不足，但模型依然基于历史数据，隐含未来市场特征稳定性的强假设。
• 多预测器数量选择均衡性在模型调参中较敏感，过多预测器反而降低效果，显示模型存在一定的复杂性与参数调优需求。
• 中性化处理导致部分指标下降，提示模型自身已具备一定因子风格中和能力，对外部处理敏感且可能导致效果减退，说明实际应用中需要谨慎。
• 图片数据较多，完整指标覆盖，较少留白和明显矛盾，体现出较为严谨。

---

七、结论性综合

本报告系统介绍并深度验证了TRA多交易模式学习模型在中国A股因子挖掘中的有效性与稳定性。通过融合多输入因子、引入Transformer注意力机制、设计端到端多预测器与路由器结构，并创新性采用最优传输正则化确保多预测器均衡利用，TRA模型克服了传统单一模型假设股票数据独立同分布的弊端，成功捕捉市场时变、更复杂的交易模式。

实证结果表明，TRA合成因子在多个股票池均取得优异的预测IC和超额收益，且换手较低，适合实际量化投资。多模型组合进一步挖掘信息增量，显著提升投资回报。指数增强组合运用显示模型在行业及风险控制下能够稳定获得积极收益。

图表数据显示：

• 图1-3 阐明市场存在多样且时变的交易模式，理论及经验支撑TRA模型设计。
• 图4-17 明确TRA架构设计合理性，预测器数量、差异性及OT引导有效防止过拟合。
• 图18-22 预处理和训练技巧提升模型泛化与稳健性。
• 图23-32 TRA模型训练曲线与因子绩效数据充分展示优异表现和持续性。
• 图33-34 低衰减与中性化测试表明因子稳定且风格暴露合理。
• 图35-44 随机性小，模型因子与其他因子相关性低，提升多模型集成空间。
• 图45-52 多模型回归残差绩效与组合增效印证模型信息增量。
• 图53-56 Top组合历史回测表现优异，收益稳定显著超额基准。
• 图57-65 指数增强组合业绩与风格偏好吻合，且换手率控制合理。

综上，报告结论清晰：TRA模型作为一种多交易模式学习方法，具备显著投资价值及应用潜力，推荐投资者密切关注和应用，但同时需注意量化模型失效和极端市场风险。

[page::0-37]

---

附：部分关键图示示例

图2：A股Momentum、Value、Size三因子年化超额收益（2007-2020）

图4：TRA预测器+路由器框架示意

图23：TRA模型GP输入下训练集和验证集中IC、MSE变化

图25：中证全指股票池各模型因子绩效表现

图53：中证全指股票池top100组合绩效表现

---

（注：表格数据因篇幅较长，以关键指标摘录于正文中详细说明，详细数据见报告原文各图表。）

---

综上，东方证券的TRA因子研究报告系统而深入地阐释了多交易模式针对股票收益率预测的理论基础、模型设计及其在实际量化投资中的优异表现。报告内容详实，数据充分，技术细节严谨，适合量化研究员与投资经理细读应用。

报告