核心观点
本文介绍了ZikaiWeietal.提出的在线自适应因子模型HireVAE。该模型通过分层潜在空间捕捉市场情况与股票之间的潜在因子关系。这使得模型效果较之前的系列模型有所提升。
传统的因子模型无法适应市场变化
传统的因子模型大多基于线性方法构建，这在更发达的资本市场中可能难以获得超额回报，因为投资行为越来越相似，交易头寸也有所重叠。一些在之前情景中表现良好的因子在新的市场环境中可能变得不在有效。
HireVAE的分层结构有助于更好识别市场情况HireVAE在传统变分自编码器的编码器-解码器架构之上，开发了一个具有两级潜在空间（LatentSpace）的分层编码器，代表市场-股票分层结构。通过在线学习和线性稳定聚类算法来识别市场状态，并学习自适应因子模型以提取不同状态下市场和股票背后的潜在逻辑。
实验证明HireVAE在预测回报与选股方面表现提升RankIC为0.066，RankICIR为0.734，对比其他基线方法如：GRU,Transformer,HireVAE均有所提升。
风险提示
本报告依据最新前沿论文进行解读评述，若有理解不当请以原始论文表述为准。
且本报告为AI应用方法和框架介绍，并不作为有效投资方法建议，仅供参考。
