在对于网络模型训练出来的因子信号评估时，我们对比3类模型：
-
Baseline：以LSTM作为基准模型；
-
GAT-ind：在LSTM基础上加入GAT，使用行业信息构建邻接矩阵；
-
GAT-ind-style：在LSTM基础上加入GAT，邻接矩阵基于行业和风格信息构建。
对于因子绩效具体检验规则，如下：
-
因子绩效回溯区间为2019.1.1~2023.12.31；
-
以周频（5个交易日）为调仓窗口，计算收益时不考虑交易成本；
-
T日因子，对应T+1~T+6日均价收益，计算因子IC以及20分组超额收益；
-
对于每个因子的5条路径分别统计因子绩效，取表现均值作为因子绩效刻画。
3.1
基础数据集
基础数据集包含数据集1-5，它们的具体构建细则在前序报告中已经介绍，下面我们基于3类网络模型训练，分别统计输出因子的绩效。
从因子绩效维度来看，3类模型下数据集1-5的因子输出多头超额收益均值分别为23.9%、24.5%和25.9%，随着图网络复杂度的提高，因子绩效也略有提升。因此，图网络模型对于单一数据集而言能提高数据集的预测能力。
3.2 手工特征
数据集
数据集6为来自于qlib 的alpha158，特征是基于股票量价数据构建的常见技术类因子。若将158个特征同时输入神经网络，其对算力、显存具有较高要求，因此我们对特征做适当聚类预处理。
我们以谱聚类算法做特征聚类。谱聚类算法将数据集中的每个对象看作是图的顶点X，将顶点间的相似度量化作为相应顶点连接边E的权值，这样就得到一个基于相似度的无向加权图G(X, E)，于是聚类问题就可以转化为图的划分问题。
我们基于训练集数据统计因子相关性，并以因子相关性作为顶点间的相似性度量，将158个聚类成8个类别，每个类别内特征取均值得到8个综合特征作为网络模型的输入。
数据集7为基本面数据集fundamental，其以股票基本面财务特征为主，包含盈利、成长、估值等常用基本面因子，以及少量如IVR、CorrFundStk等特殊技术类指标。
由于基本面信号在短期几乎不会发生明显变化，因此不同于量价信息我们先用时序网络编码提取特征，我们直接以T日截面数据作为图注意力网络GAT在T日的输入。
因此，训练数据集7的具体网络结构如下所示：
基于以上流程，我们对于数据集6和7建模训练，统计数据集6-7的因子输出与基础数据集1-5输出因子的截面相关性，如下表所示。
整体而言，数据集6和7相对于基础数据集仍然存在增量信息。量价数据集6（alpha158数据集）由股票行情数据构建，因此其与基础特征存在较高的相关性，平均相关性为57%；而基本面数据集7（fundamental数据集）与基础特征相关性均不高，截面相关性均值为33%，存在明显增量信息。
上表展示了3类模型Baseline、GAT-ind和GAT-ind-style对于alpha158数据集因子输出的绩效统计。与基于基础数据集的分析结论一致，随着图网络的复杂度提升，alpha158数据集因子绩效也出现提高，三类模型多头超额收益分别为19.1%、20.5%和21.9%。
因此，对于网络模型而言，模型复杂度可能提高单模型的预测能力，但也很可能提高多模型之间的关联，二者之间需要进行适当的权衡。
最后，我们展示了基本面数据集fundamental的因子绩效。fundamental数据集因子整体IC不高，要弱于量类数据集，但多头表现在这几年较为优秀。2019至2013年，因子多头年化超额收益24.5%，多空收益59.2%，IC均值为8.1%，ICIR为0.97。
在金融领域，尤其是量化投资中，神经网络训练得到的因子输出通常需要进一步的处理以提高预测的准确性和稳健性。业界普遍采用的方法之一就是使用集成学习技术，尤其是梯度提升决策树（GBDT）算法，来对这些因子输出进行集成。
GBDT算法对于参数而言并不敏感，这意味着通过细致的参数调优来实现显著的性能提升往往较为困难。因此，我们希望在模型构建中，通过差异化的数据输入、集成算法以及标签设定，得到多元的集成输出，而综合这些结果以获取更稳健的收益预测。
我们的alpha模型构建架构如下：
对于数据输入而言：对于每个数据集，我们采用3类神经网络Baseline、GAT-ind和GAT-ind-style独立集建模、提取因子特征，而后进行特征合并。若将因子特征直接拼接（concat）合并，这将显著增加特征数量；因此我们采用相加（add）的方式，将不同模型提取的因子特征随机相加；最后拼接不同数据集的因子特征，得到综合特征集合。
我们将该综合特征集记为LSTM-GAT因子集，而将基础模型LSTM提取的因子特征集记为LSTM因子集。我们在因子特征维度随机打乱后相加，通过多次重复该步骤，可得到多个差异化的综合特征集，这丰富了集成模型的数据输入。
对于集成算法而言：我们采用3类经典的GBDT算法Lightgbm、XGBoost 和CatBoost。每种算法都有其独特性，通过结合这三种算法，我们的集成模型能够从不同角度捕捉数据的复杂性和多样性，从而提高整体模型的泛化能力和预测准确性。
对于标签设定而言：我们采用多维度预测窗口与多类型标签设计。不同长度的预测窗口确保模型对于中、短期收益均具有预测能力，减缓模型收益预测能力在时序上的衰减；不同类型的标签设计从多个维度去定义alpha，增强模型收益预测能力的稳健性。
综合各个步骤的差异，我们将得到数量为“综合特征集数×集成算法数×标签数”的收益率预测信号。对于这些收益率预测取均值，即得本文多维度集成的alpha信号。
在报告中，我们提出了三个维度的想法以提升模型的绩效。以下，我们将拆解这些步骤，分析每个维度对最终绩效增益的贡献。
首先，我们对比基准模型LSTM在引入图注意力网络前后对于收益预测能力的变化。以数据集1-5作为训练输入，CatBoost作为集成算法，我们比较两个模型提取的因子特征在集成后的综合因子绩效。
图表12展示了以LSTM因子集做输入，用CatBoost算法集成后的综合因子绩效。回溯期2019至2023年内，因子多头组合超额收益36.6%，因子5日IC均值11.5%，10日IC均值12.9%。
图表13展示了以单一的LSTM-GAT因子集做训练输入，用CatBoost算法集成得到的综合因子绩效。回溯期2019至2023年内，因子多头超额收益37.3%， 5日IC均值11.5%，10日IC均值12.9%。
对比前后两者，加入图注意力网络之后因子多头年化超额收益略有提高，幅度约为0.7%，而IC均值未出现明显变化，复杂的网络模型对于特征的提取能力有一定的增量效用。
但如前文所述，对于特征提取而言，图注意力网络的相同的股票邻接信息引入，它提高了单数据集的预测能力，但同时也增加了数据集之间的alpha关联。
另一方面，多个LSTM-GAT因子集分别集成得到的综合因子彼此之间存在一定差异，通过二次综合这些因子能提高模型预测能力。
其次，我们对比手工特征集对于模型绩效的提升。以CatBoost作为集成算法，我们对比基于数据集1-5提取的因子特征与数据集1-7提取的因子特征，在集成后的绩效差异。
图表14展示了数据集1-7训练得到的因子特征集成后的综合因子绩效。回溯期2019至2023年内，因子多头超额收益40.4%，5日IC均值12.0%，10日IC均值13.5%。
相比于数据集1-5的集成因子多头超额收益37.3%，5日IC均值11.5%，数据集1-7的集成因子在IC和多头超额收益维度均提高明显。
因此，增量的数据源能显著提高AI选股模型绩效，尤其是精心设计的手工特征集，它们可能蕴含神经网络难以直接从原始数据中提取的特征信息。
最后，我们对比多次集成相对于单次集成对于模型绩效的提升。以单一因子集、单一集成算法、单一标签的集成因子比较多因子集、多集成算法、多维度标签的多次集成输出。
多次集成以数据集1-7作为输入数据，3类神经网络独立做特征提取之后通过多次特征随机相加得到多个综合特征集合；而后，分别以Lightgbm、XGBoost 和CatBoost算法集成；同时，通过设计多类型标签、构建多维度预测窗口来设置多维度预测目标；最终，综合多次训练得到多个因子，取均值作为股票的收益预测值。
回溯期2019至2023年内，因子多头超额收益45.4%，5日IC均值12.9%，10日IC均值14.7%；相较于单次集成多头超额收益40.4%，5日IC均值12.0%，10日IC均值13.5%；多次集成在因子多头收益、IC均值维度均提高明显。
因此，在输入特征、集成算法和标签设定等多维度构建差异，而后通过多次集成能显著提高选股模型的绩效。我们以此作为本文最终的深度学习综合因子，构建选股策略。
基于综合因子，我们分别构建中证500和中证1000指数增强组合。组合以最大化预期收益为目标，周度调仓，按次日均价撮合，交易成本按双边千分之3计费。
