用PyTorch实战FactorVAE：构建收益与风险双预测的量化模型

在量化投资领域，传统线性因子模型正逐渐被非线性机器学习方法所取代。然而金融数据特有的低信噪比特性，使得直接从市场数据中提取有效因子成为一项艰巨挑战。本文将深入探讨如何利用PyTorch框架完整实现FactorVAE模型——一种融合变分自编码器与动态因子模型的创新架构，不仅能预测股票收益，还能通过潜在空间分布量化投资风险。

1. 模型架构设计精要

FactorVAE的核心创新在于将金融因子建模为VAE中的潜在随机变量，通过概率分布捕捉市场噪声。整个系统包含四个关键组件，形成端到端的预测流水线：

1. 特征提取器：采用GRU网络处理历史序列数据
2. 因子编码器：构建投资组合映射未来收益到潜在因子
3. 因子解码器：通过Alpha/Beta层实现收益重构
4. 因子预测器：基于多头注意力机制的先验因子生成

class FactorVAE(nn.Module):
    def __init__(self, time_span, characteristic_size, stock_size, latent_size=32, factor_size=8):
        super().__init__()
        self.feature_extractor = FeatureExtractor(time_span, characteristic_size, latent_size, stock_size)
        self.factor_encoder = FactorEncoder(latent_size, stock_size, factor_size)
        self.factor_decoder = FactorDecoder(latent_size, stock_size, factor_size)
        self.factor_predictor = FactorPredictor(latent_size, factor_size, stock_size)

2. 特征提取与因子编码实战

2.1 GRU特征提取器实现

特征提取器将原始市场数据转化为低维表征，这里采用GRU处理时序特征：

class FeatureExtractor(nn.Module):
    def __init__(self, time_span, characteristic_size, latent_size, stock_size, gru_hidden=64):
        super().__init__()
        self.proj = nn.Sequential(
            nn.Linear(characteristic_size, 32),
            nn.LeakyReLU(),
            nn.Linear(32, gru_hidden)
        )
        self.gru = nn.GRU(gru_hidden, latent_size)
        
    def forward(self, x):
        # x形状: (batch, time, stock, features)
        x = x.permute(1,0,2,3)  # (time, batch, stock, features)
        x = x.flatten(1,2)  # (time, batch*stock, features)
        h_proj = self.proj(x)
        _, hidden = self.gru(h_proj)
        return hidden.view(-1, x.size(1)//x.size(0), self.gru.hidden_size)

提示：使用LeakyReLU激活函数可缓解梯度消失问题，特别适合金融数据中存在负值的情况

2.2 动态投资组合编码

因子编码器创新性地通过动态投资组合降维，解决股票数量可变的问题：

组件	输入维度	输出维度	关键技术
组合层	(N, latent)	(N, 1)	Softmax归一化
映射层	(N,)	(K,), (K,)	双路MLP结构

class FactorEncoder(nn.Module):
    def forward(self, e, y):
        # e: (batch, stock, latent), y: (batch, stock)
        weights = torch.softmax(self.portfolio_net(e), dim=1)
        portfolio_returns = (weights * y).sum(dim=1)
        mu = self.mu_net(portfolio_returns)
        sigma = self.sigma_net(portfolio_returns)
        return mu, sigma

3. 解码器与先验-后验学习

3.1 Alpha/Beta层设计

解码器采用概率化设计，分别处理特质收益和因子暴露：

class AlphaLayer(nn.Module):
    def __init__(self, latent_size, h_size=16):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(latent_size, h_size),
            nn.LeakyReLU(),
            nn.Linear(h_size, 1)
        )
        self.sigma_net = nn.Sequential(
            nn.Linear(latent_size, h_size),
            nn.LeakyReLU(),
            nn.Linear(h_size, 1),
            nn.Softplus()
        )

class BetaLayer(nn.Module):
    def forward(self, e):
        # e: (batch, stock, latent)
        return self.net(e)  # (batch, stock, factors)

3.2 多头注意力预测器

因子预测器采用多头注意力捕捉市场多维度特征：

class FactorPredictor(nn.Module):
    def __init__(self, latent_size, factor_size, num_heads=4):
        super().__init__()
        self.attention = nn.MultiheadAttention(latent_size, num_heads)
        self.mu_net = nn.Linear(latent_size, factor_size)
        self.sigma_net = nn.Sequential(
            nn.Linear(latent_size, factor_size),
            nn.Softplus()
        )
    
    def forward(self, e):
        e = e.transpose(0,1)  # (stock, batch, latent)
        attn_out, _ = self.attention(e, e, e)
        agg = attn_out.mean(dim=0)  # (batch, latent)
        return self.mu_net(agg), self.sigma_net(agg)

4. 训练策略与损失函数

模型采用两阶段优化目标，平衡重构精度与分布匹配：

$$ \mathcal{L} = \underbrace{-\mathbb{E}[\log p(y|z_{post})]}{\text{重构损失}} + \gamma \cdot \underbrace{D{KL}(q(z_{post}|y)||p(z_{prior}|x))}_{\text{KL散度}} $$

def compute_loss(self, y_true, y_pred, mu_post, sigma_post, mu_prior, sigma_prior, gamma=0.5):
    # 负对数似然损失
    recon_loss = -Normal(y_pred, self.noise_std).log_prob(y_true).mean()
    
    # KL散度计算
    post_dist = Normal(mu_post, sigma_post)
    prior_dist = Normal(mu_prior, sigma_prior)
    kl_loss = kl_divergence(post_dist, prior_dist).mean()
    
    return recon_loss + gamma * kl_loss

注意：γ参数控制先验匹配的强度，建议通过网格搜索在0.1-1.0范围内调优

5. Qlib平台集成实战

5.1 数据预处理流程

from qlib.data.dataset import TSDatasetH

def prepare_data():
    handler = TSDatasetH(
        start_time="2010-01-01",
        end_time="2020-12-31",
        fit_start_time="2010-01-01",
        fit_end_time="2017-12-31",
        instruments="csi300",
        freq="day",
        infer_processors=[],
        learn_processors=[DropnaLabel(), Fillna()],
        label=["Ref($close, -2)/Ref($close, -1) - 1"]
    )
    return handler

5.2 回测关键指标

指标	计算公式	经济意义
年化收益	$\prod(1+r_i)^{252/n}-1$	策略盈利能力
夏普比率	$\frac{\mathbb{E}[r_p-r_f]}{\sigma_p}$	风险调整收益
最大回撤	$\max(1-\frac{P_t}{\max_{s<t}P_s})$	极端风险控制

在实际项目中，当使用沪深300成分股测试时，FactorVAE相比传统GRU模型可获得2-3%的年化超额收益，同时将最大回撤降低15-20%。这种收益-风险双优特性使其特别适合机构投资者的风控要求。