第 5 章 · 04 AlphaNet 详解

第 5 章 · 04 AlphaNet 详解

本节摘要:本节是本章重头戏,详解华泰自研的AlphaNet——一个专为「量价因子自动挖掘」设计的神经网络结构。前几节的 MLP/RNN/CNN 都吃人工构造的因子,而 AlphaNet 直接吃原始量价数据(开高低收成交量),通过三层结构自动产出因子:特征提取层用趋势类(return)、波动类(std)、关联类(correlation)等「特征生成函数」在多时间窗口上计算大量候选特征(模仿人工因子构造);池化层在时间维度上压缩(如取最大/最小/平均),提炼稳健信号;全连接层把池化后的特征加权组合输出收益预测。AlphaNet 的创新点在于把「人工因子构造的先验」嵌入网络结构,既保留可解释性,又实现端到端自动挖掘。华泰 AI 32 提出 AlphaNet,34 篇进一步做结构与特征优化。本节是本章重点,务必吃透。

内容来源:仓库研报 华泰 AI 系列第 32 篇(AlphaNet 因子挖掘网络)、第 34 篇(再探 AlphaNet),知识结构化整理。

⚠️ 学习提示:AlphaNet 是华泰 AI 系列的里程碑,但它参数众多、训练复杂,极易过拟合。第 34 篇专门讲优化与防过拟合,务必结合第 1 章的时序交叉验证一起理解,不要被原文的回测数字迷惑。

学习目标

阅读完本节,你应当能够:

1. 说清 AlphaNet 相对前几个模型(MLP/RNN/CNN)的核心创新。
2. 详解特征提取层的趋势类、波动类、关联类特征生成函数及其时间窗口设计。
3. 解释池化层在时间维度上的压缩作用与多种池化方式。
4. 描述全连接输出层如何把池化特征组合成预测。
5. 理解 AlphaNet 第 34 篇的结构与特征优化方向。
6. 评估 AlphaNet 的优势与局限(可解释性 vs 过拟合风险)。

一、AlphaNet 的核心动机:让网络自动挖因子

前面三节的 MLP/RNN/CNN 有个共同特点:输入是人工构造好的因子。也就是说,「PE、动量、波动率」这些因子还是人想出来的,网络只是学怎么组合它们。但真正耗时的恰恰是「想因子」这一步——一个成熟的因子库往往有成百上千个因子,每个都要研究员手工构造、测试、筛选。

华泰 AI 32 的核心问题就是:能不能让网络直接从原始量价数据(开高低收成交量)出发,自动「造」出有效因子? 这等价于把「特征工程」这一步也交给机器,实现端到端学习。

AlphaNet 的天才之处在于,它没有简单地堆几层全连接(那样既不可解释,又难学),而是把人工因子构造的「套路」显式嵌入网络结构:

• 人工构造因子的套路通常是「用某个函数(如 return、std、correlation)在某个时间窗口(如 5 天、10 天、20 天)上算一个值」。
• AlphaNet 把这些「函数 + 窗口」组合作为网络的第一层(特征提取层),让网络自动学这些组合的权重。

这样,AlphaNet 既享受了神经网络的端到端学习能力,又保留了人工因子的可解释先验,是「人机结合」的典范。

二、AlphaNet 的三层结构总览

AlphaNet 由三部分组成,数据流从原始量价一路流到收益预测:

下面对每层详述。

三、特征提取层:把人工因子的套路嵌入网络

特征提取层是 AlphaNet 的精髓。它定义了一系列特征生成函数,每个函数模仿一种人工因子的构造方式,在多个时间窗口上对原始量价数据做运算,产出大量候选特征。

华泰 AI 32 把这些函数分为三大类:

每个函数在多个时间窗口上计算。例如 return 函数,会在 5 天、10 天、20 天、30 天等多个窗口上分别计算收益率,模仿「短期动量」「中期动量」「长期动量」这类人工因子。correlation 函数会对「价格序列」与「成交量序列」等多个量价对,在多个窗口上算相关系数,模仿「量价相关」因子。

举例,特征提取层可能这样组织:

• 输入:过去 30 天的开高低收成交量(5 个序列,每个 30 天)。
• return:对收盘价在 [5,10,20,30] 天窗口算 4 个收益率特征。
• std:对收益率在 [5,10,20] 天窗口算 3 个波动特征。
• correlation:对(收盘价,成交量)等量价对在 [5,10,20] 天窗口算多个相关特征。
• 汇总:共生成几十到上百个候选特征,每个特征仍是长度为 30(或截断后)的时间序列。

💡 核心心法:特征提取层用「函数 + 窗口」的网格,穷举了大量人工因子的常见构造方式。这相当于把研究员的「脑子」结构化成一层网络操作。区别在于,网络后续会自动学这些特征的权重,而不需要人工逐个测试筛选。

四、池化层:在时间维上压缩,提炼稳健信号

特征提取层输出的每个特征仍是时间序列(长度为 30 或类似)。但最终预测只需要一个「截面打分」,所以要在时间维度上压缩。这就是池化层的作用。

AlphaNet 在时间维度上做多种池化:

• max pooling:取时间窗内最大值。直觉:这个特征在观察期内最强烈的信号。
• min pooling:取最小值。捕捉最弱(或最负)的信号。
• mean pooling:取平均值。最稳健的中心趋势。
• std pooling:取标准差。衡量特征的波动,本身也是一种信息。

对每个特征,池化后得到一个标量(或几个标量),把时间维度「压平」。这样无论输入多长,池化后都得到固定长度的特征向量,可以直接喂给全连接层。

💡 为什么池化重要:金融信号往往「只在某个时刻显著」——比如某只股票 20 天前出现过剧烈放量,之后回归平静。如果只取最后一期,这个信号就丢了;池化(尤其 max/min)能把这种「历史曾出现过的极端值」保留下来,作为预测依据。这与第 03 节 CNN 的池化思想一脉相承,但 AlphaNet 用得更系统。

五、全连接输出层:加权组合成预测

池化后的特征向量(几百维)喂给一个或多个全连接层,最终输出收益预测。这一层的作用是学习哪些特征(及其池化版本)对预测有用,以及如何组合。

数学上,全连接层做的事是 y = activation(W*p + b),其中 p 是池化特征向量,W 是学习到的权重。经过 1-2 层全连接后,输出一个标量预测值(未来收益)。

整个 AlphaNet 是端到端可微分的——从原始量价到收益预测,所有参数(特征提取层的窗口组合权重、池化方式、全连接权重)都通过反向传播一起学习。这是它相对「人工构造因子 + 传统机器学习」的最大优势:特征工程与预测建模不再割裂,联合优化。

六、AlphaNet 的创新点小结

把 AlphaNet 与前几节模型对比,创新点很清晰:

💡 关键洞察:AlphaNet 不是「更深的网络」,而是「把领域知识结构化进网络」。它告诉我们:在金融这种低信噪比领域,纯靠数据驱动的深度学习往往不如「人机结合」——把研究员的因子构造经验作为先验嵌入网络,再用数据驱动优化权重。这个思想后续在第 8 章的因子挖掘里会反复出现。

七、AlphaNet 的优化(华泰 AI 34)

华泰 AI 34(再探 AlphaNet)对原始结构做了多方面优化,主要方向:

1. 结构优化:调整特征提取层的函数集合与窗口组合,增删函数,尝试更多关联类特征(如不同量价对的相关性)。
2. 池化方式扩展:增加更多池化方式(如分位数池化),提炼更丰富的时间维信息。
3. 训练技巧:批归一化、Dropout、早停、学习率调度等防过拟合手段的系统应用。
4. 特征选择:对池化后的特征做筛选,剔除冗余或噪声特征,提升泛化能力。
5. 多任务学习:同时预测多个未来时间窗口的收益,共享特征提取层,提升特征质量。

优化后的 AlphaNet 在样本外表现更稳健,过拟合得到一定控制。这也印证了第 1 章的观点:深度学习模型在金融里,「防过拟合」往往比「堆模型」更重要。

八、AlphaNet 的优势与局限

优势:

• 端到端自动挖因子:省去人工特征工程的繁重劳动。
• 保留可解释先验:特征提取层的函数有金融含义,不像纯黑盒。
• 联合优化:特征与预测一起学,效率高于「先挖因子再选模型」的两阶段。
• 可扩展:新加一个特征函数就扩展了搜索空间,迭代灵活。

局限:

• 过拟合风险高:参数众多,金融信噪比低,样本外衰减明显。务必配合严格时序交叉验证。
• 计算成本高:特征提取层产出大量候选特征,训练比 MLP 慢得多。
• 依赖原始量价:对数据质量敏感,数据缺失或异常会显著影响。
• 非万能:它本质还是「量价特征的组合」,对基本面/情绪类信息无能为力,需与其他模型互补。

⚠️ 学习提示:AlphaNet 是华泰 AI 系列的代表作,但它的回测数字会随行情变化。学它的价值在「结构化嵌入领域知识」这个方法论,而非某个具体的 IC 数字。这个思想在第 8 章「因子挖掘新范式」会进一步升华——AlphaNet 本身就是「神经网络因子挖掘」的典范。

本节要点回顾

1. 核心动机:AlphaNet 让网络直接从原始量价自动挖因子,实现端到端学习,把「特征工程」交给机器。
2. 三层结构:特征提取层(趋势/波动/关联函数 × 多窗口)→ 池化层(时间维压缩 max/min/mean/std)→ 全连接输出层(加权组合预测)。
3. 特征提取层:三大类函数(return/std/correlation 等)在多时间窗口计算,模仿人工因子构造套路——这是把领域知识嵌入网络的关键。
4. 池化层:时间维压缩,保留「历史曾出现的极端值」,提炼稳健信号。
5. 全连接层:把池化特征加权组合,所有参数端到端联合优化。
6. 创新点:相对 MLP/RNN/CNN,AlphaNet 输入原始量价、特征工程自动化、先验显式嵌入、可解释性更强。
7. 优化(AI 34):结构/池化/训练技巧/特征选择/多任务学习,核心是防过拟合。
8. 优势与局限:端到端+可解释 vs 过拟合风险+计算重+依赖量价。

本章到此结束。下一章我们进入第 6 章 前沿 AI 选股方法——先看生成对抗网络(GAN),它用「生成器-判别器对抗」制造仿真金融数据,解决金融数据稀缺、难以训练深度模型的痛点。