模型构建 - 本研究应用AlphaNetV3构建了可转债的选债因子，组3在样本外回测表现优异，年化收益率为3.3%，年化超额为8.0%[1] - 多因子组合在波动性较大的市场环境中表现较强，适合在震荡牛市中使用，可以增强组合的整体表现[1] - 报告提醒投资者，模型预测结果可能受多种因素影响，市场环境动态变化，历史数据不能完全预测未来市场走向，投资决策需谨慎[2] 模型优化 - 本研究在 Pytorch 框架上复现并优化 AlphaNetV3 模型[30] - 模型架构包括输入层、特征提取层、池化层和全连接层[31] - 特征池选择条件包括剩余期限大于120天的可转债和正股不出现ST、ST*、退市NA、Inf过滤[77] - 选定特征包括开盘价、收盘价、最低价、最高价、交易量等[81] 激活函数和优化 - Sigmoid 函数和 tanh 函数是神经网络中常用的激活函数[106] - Sigmoid 函数将变量映射到[0,1]范围，tanh 函数将变量映射到[-1,1]范围[106] - ReLU函数将负值置零，产生稀疏激活，有助于学习更鲁棒的特征表示[112] - Xavier初始化用来保持激活值和梯度方向相同，缓解梯度消失或爆炸问题[143] 模型评估 - 模型性能评估阶段，MSE越小表示模型的预测值与真实值越接近[164] - 模型在测试集中的表现良好，随着迭代次数增加，损失曲线逐渐趋于平稳[188] 因子分组回测 - 样本外数据预测结果根据因子值大小分组，组别数字越大表示因子值越小[189] - 因子分组的样本外回测表现显示各组收益曲线分化明显，有5组超过基准，另外5组在基准以下[195] - 第三组表现最好，其次为第五组，遵循因子值越大表现越好的原则[195] - 分组回测结果显示不同组别的收益率、年化收益率、贝塔、阿尔法等指标差异明显[198] - 第八组和第九组在各项指标中表现最差，年化波动率和最大回撤较高[198]