基于cVAE的数据增强对下行风险预测的提升

引言数据动直机学的重特征模的表现训数有很关，更加样的集有于型习数的本特或是与目标之间深的在而并之的在练上显出某捷但在实践中模的练往临着练数不者训集据一缺全性和广性问其金融据应中由市场某模如格可会不断生以者往会择行动练即过最一口期的数据为练进训这种样的练难免遇模泛性差问题。诸如类的问限着模型的现，而据强（aaAugenao便是一种对据的理术在扩数集同提了数的样和个型稳健Rousne概生成Gneaveoe通学数特的率分布从可随生量与始本分的据生模亦作据增强的一实方。从指数TF期权交易数据中得到的衍生指标对指数未来的下行风险有着较强的测意例由权含波（pedoaty中算来的VX标本质上是权场的易者标未波率一种期化使些标对未风进评是要由本的量限以由场或者模式变导的远据使用化为型搭与训带了多难。我们将数据增强应用到对指数未来下行风险的预测评估领域，使得模型更加稳健同时提了型表第2介数增生成型基理及变分自编码器（aaonalAoEncoer;AE）和其衍生而来的条件变分自编码器（CndonalaaonaluoEncder;cAE第3章主绍TF期的关衍生指以通一证结展其指未下行险预与估义第4章先证试了cE模在险标据上的习果接来于险指标建立了简单的择时策略，发现在进行数据增强后，策略具有更加稳定的表现第5总本告结。数据增强理论与模型介绍数据增强与生成模型数据增强Daaugenaon）是一种过算法展训练数的技术影人工智能用果三重因素数模与于量数驱模型而言多化训数提高型度泛效的重因当练量较少或较单型向于习在练本发现的种可能并没有何辑者只训练中如像识的务如有图片中的都白那型很易立与色间径倾将其它白色动识为是当们充练加训样的样时例对此任中原图样进行剪旋彩整等理将得比始练集更丰的练本这对提模稳性着很的助。类似上例子传数据强过原数样本某程上加动丰富训据强要的设是改原数据本特它可能保留本的时出定式上改来加本样性目便使型习到某种不性（nvaanc。1介绍了数增强计算机视领域中应，阐述了数增技与点以及扩有数集提高型能面贡2研究了度习对本据的据强及泛测试的建。除了常规的添加噪声之外，利用生成模型进行数据增强也是一种重要的处理方法不同《器习历程量投的望—机学系之一中介绍判模Dnaveoe别型为关在定本征目标或者标签的分布𝑝(𝑦|𝑥，本上是在训练集上习到种潜在的关系，给定新的𝑥时，便可以确定目标的条件分布。生成模型更加注重特征与标签的联合分布𝑝(𝑥,𝑦或在有签情下引隐Laentaabe𝑧辅助行究通常会注合𝑝(𝑥,𝑧以及（Liehoo𝑝(𝑥|𝑧成型对据身性质更兴。在应层生模广泛于据布学以及据生生型涵盖广个有要义型包括3中出变编码aaonalAuonode;E）以及4]中提出的生成对抗神经网络模型（GeneaveAvealewok;A，E输变通过似断络码隐变的率布然再利用生成网络还原原始数据的概率分布；N通过判别器（Dnaor）与生成器（Gneao对学很多成务都不的表例如5用N族模型习权据并作一数生缓解由实据不导致的在其任中练过等问。在小本学任中据增就得为要AE的型Ahecu）相于N而更简对较的练GN身训可也一定的限以篇告择AE作数增的型在后两中细绍E其生型cA。变分自编码器）正如一所变编器E是类成型但似自编AE同样着码解器构以正开介绍AE之们要顾动编码器型uoencde2如图所，自编码两个神网络块组分别是码器Enode𝑓和解码Decde𝑔编码𝑓的作是高的据征x行线降输入编𝑧=𝑓(𝑥码𝑔的是将码原原特即̃=𝑔(𝑧损函数为重构误差（RconucnEror）即𝑙(𝑥,̃)=∥𝑥−̃∥2，两个模块同时进行训练。当训完𝑧∈ℝ𝑑将可能降的础保原始𝑥中的码器𝑔将可由维𝑧对原数𝑥进还。2图：编码器解码器架示意图数据来源：然而自编器用降维非成这因编码取空ℝ𝑑对数据的随生成编取间过以于法取适的码生符条的特。自动码存着征编码复特一对的关这于据成务也是种为的训集法盖大编码至在空间中只有部编才用生成征而分编器AE就决这问关注编或隐𝑧的条件𝑝(𝑧|𝑥进行模。模型构类比类名生模Gauan混模Gaanxueode;G它们有较的似Gauan混模关𝑥分，引了变𝑧辅助建模，一般而言，𝑧的先验分布（PorDbuon）假设为有限取值的离散分布（CaeocalDbuon，而似然𝑝(𝑥|𝑧一般假设为Gauan分布。通常可以由Baye’oua导后（oseorDbuo𝑝(𝑧|𝑥从进行模所Gauan混合型般以作有限个Gauan分的合事上这的𝑧先验设可无法足为复杂务需求，E改进了一，它再制𝑧是有限值，同也一个的auan为了便见E假设变𝑧的验布𝒩(0,𝐼；另类于Gaun混合型E假𝑥|𝑧服参数𝜃的Gauan分，e.𝜃𝑥|𝑧)=𝒩(𝑥;𝜃𝑧,𝜃𝑧).此时同地可用Baye’oua出变𝑧的后如，𝑝𝑧|𝑥)=𝜃𝑥|𝑧(𝑧)= 𝜃(𝑥|𝑧(𝑧) .𝜃 𝜃𝑥) ∫𝜃(𝑥|𝑧(𝑧𝑑𝑧𝑧事实在维情分母的分算其难𝜃𝑧|𝑥的性式数上是棘（nacab们也以过值法处理所以E择另一个auan𝜙(𝑧|𝑥去逼𝜃𝑧|𝑥其𝜙是分依的数并且般假设后验布各度独的，𝜙(𝑧|𝑥)=𝒩𝑧;𝜙(𝑥,𝜙(𝑥.图：n混合模示意图 图：E示意图数据来源： 数据来源：事实𝜙(𝑧|𝑥和𝜃𝑥|𝑧这个别示E中编器解码于解码𝜃𝑥|𝑧而言E巧的一个经𝜃去拟𝑥|𝑧的布，于Gaun分布仅由均值和差定，所以体来说合输入隐𝑧，输出𝑥|𝑧的𝜃𝑧和方协差𝜃(𝑧，其𝜃是网中要优的数，即𝜃(𝑧)=(𝜃𝑧,𝜃𝑧).同样，于码𝜙(𝑧|𝑥，E使另一神𝜙去𝑧|𝑥的分。具体言输特𝑥到码器输𝑧|𝑥的𝜙(𝑥和方协方矩𝜙(𝑥中𝜙是络需被化参数即𝜙(𝑥)=𝜙(𝑥,𝜙(𝑥.考虑E具结，细可见3。致以为3个分：编码：𝜙输入样本特征𝑥到编码器中，可以得到近似后验分布𝜙(𝑧|𝑥)的参数𝜙(𝑥)和o𝜎2(𝑥事上于设验维度立所方协矩阵对矩，由编码器输出时便可以直接得到向量的形式；另外为了不限制输出的符号，输出方时般用数。𝜙采样：从近似后验分布𝜙(𝑧|𝑥中随机采样一个隐变量𝑧的值。采样使用重参数化技巧（Rpaaeezaonc𝑧=𝜙(𝑥)+𝜙(𝑥𝜖其𝜖∼𝒩(,𝐼维与隐变量表示元乘这方将机外部量形引得梯度以采过中播。解码：将采样得到的隐变量𝑧输入到解码器中，得到𝜃(𝑥|𝑧)的两个参数𝜃(𝑧)和o𝜎2(𝑧与码类似通也设𝑥|𝑧各度立所o𝜎2(𝑧同为量𝜃 𝜃的形一来说在践中省再采的骤直将码输的𝜃𝑧作为构̃。图：E架构示意图数据来源：优化标损函数模型的优化目标自然是调整模型中的参数最大化对数似然函数o𝜃𝑥。事实上由全率LwofoalPobby以及BayesBye’ou，o𝜃𝑥)可以成下式以推导程见3这概述路，o𝑝(𝑥) =

(𝑧|𝑥g𝜃(𝑥,𝑧)𝑑𝑧+∫𝑞

𝜙(𝑧|𝑥)(𝑧|𝑥g 𝑑𝑧𝑧𝜃 𝑧𝑧

𝜙(𝑧|𝑥) 𝜙

𝜃𝑧|𝑥)=𝐸𝐿𝐵𝑂+𝐿(𝜙(𝑧|𝑥)|𝜃(|𝑥).其中𝐿(⋅∥表两分的KubakLeber度称LKLdvegnc衡量个布间差且非的由于L度性BEdeneLwerBono𝜃𝑥的一下界所优目转大化EO实，经过单变，O可以成下式，𝐸𝐿𝐵𝑂 =∫𝜙(𝑧|𝑥𝜃𝑥|𝑧𝑑𝑧−∫𝜙(𝑧|𝑥)og

𝜙(𝑧|𝑥)𝑝(𝑧)𝑑𝑧𝑧 𝑧=𝑞𝜙𝑧|𝑥)o𝜃𝑥|𝑧]−𝐿(𝜙𝑧|𝑥)||(𝑧.这便总的标最化LO的义面是小重误一项的含义对给𝑥码𝜙(𝑧|𝑥中采得隐𝑧然后以到时对数似o𝜃𝑥|𝑧最化个似然期的义是小重误另方面是最化验𝜙(𝑧|𝑥和先验𝑝(𝑧的L散度即LO的二综合来总的化就是保模有编和解能的分布也需要向先验分布靠近。实际上，KL散度这一项可以看作是优化目标的正则项（Rguazao如有这么体标就有小重损终得到模编器方的输将近于，丧失随采的力这情况下型有能化自动码正项验分进了在优化过程需考后与验的离避了型退化。接下来考虑经验损失函数，由于已经假设𝜙(𝑧|𝑥)=𝒩𝑧;𝜙(𝑥,𝜙(𝑥)，𝑝(𝑧)=𝒩(𝑧;0,𝐼分别𝑑维各度立的Gauan分。么LO第项KL散度有显的式下，𝐿(𝑞

𝑑(𝑧|𝑥)|(𝑧))=∑1−1+𝜎2 (𝑥)+𝜇2 (𝑥)−o𝜎2 𝑥.𝜙 𝑖=1

𝜙,𝑖)

𝜙,𝑖)

𝜙,𝑖)另外EO的一项以利用1𝑛

og𝑝(𝑥|𝑧来进行计，𝑧从

(𝑧|𝑥中𝑛𝑖=1

𝜃

𝑖 𝜙采由E假𝜃𝑥|𝑧)=𝒩(𝑥;𝜃(𝑧,𝜃(𝑧𝑑维各维独的Gauan分布，么个计可写为𝑛 𝑛

′

−

2(𝑧)

′1𝑛∑og𝜃(𝑥|𝑖)𝑖=1

1 ∑(−𝑛 𝑖=1

∑𝑗=1

𝑗)

𝜃,𝑗)𝑖𝜃,𝑗)𝑖)

−o(𝜋′∏𝜃,𝑗)(𝑖.𝑗=1不妨𝜃,𝑗)𝑧)=12, 𝑗，么计可简化为𝑛1∑og

𝑛1𝑥|𝑧)= ∑(∥𝑥−

(𝑧∥2−𝑑′o𝜋).𝑛𝑖=1

𝜃

𝑛𝑖=1

𝜃𝑖2 2综上在略数情下，以义失数：𝑛1𝑙(𝑥)= ∥𝑥−

𝑑(𝑧∥2+∑1−1+𝜎2 (𝑥)+𝜇2 (𝑥)−o𝜎2 𝑥).𝑛𝑖=1

𝜃𝑖

2𝑗=1

𝜙,𝑗)

𝜙,𝑗)

𝜙,𝑗)损失数第项构差的均而二作正则一训中对一个输𝑥码通只进行次样可达较好训效外码通常只输出分布的均值作为重构数据̃。所以在实际过程中的损失函数便简化为如下形式：𝑑𝑙(𝑥)=∥𝑥−̃2+∑1−1+𝜎2 𝑥)+𝜇2 𝑥)−𝑙𝑜𝑔𝜎2 𝑥.2 2𝑗=1

𝜙,𝑗)

𝜙,𝑗)

𝜙,𝑗)至此了AE训的失函。训时对数据𝑋=𝑖𝑖=,⋯𝑁，会对每𝑥算损失函值后进行平，.e.𝐿(𝑋)=1𝑁

𝑙(𝑥。然后反向传计𝑖算梯，参进优。条件变分自编码器）

𝑁𝑖=1 𝑖本节绍件分编器型cA，6。E结与E相，而编码的入仅含据特𝑥还含征的标𝑦解器输样包含隐𝑧与对的𝑦加入签意是制同标下数分而可以在不同的标签下做数据生成。隐含的假设是不同的标签下数据特征的分布不同而cAE便以习在不标下分。图：cE架构示意图in，E向播过是：编码：输入本𝑥与对的签𝑦到码先离标𝑦转为onot编码，与原特𝑥进拼后入到络输对隐变𝑧近后𝜙(𝑧|𝑥,𝑦)的均值向量对数方差量（这里仍假设近似验是各维度立的Gaun分布所方协差阵是角，以成量的式。采样：与AE的样相，用输的似验数行隐量采𝑧。解码：将采𝑧与对应的𝑦输入到解码中，𝜃𝑥|𝑧,𝑦的均值，但与E相同，般言直将值作重数̃。cE损函与AE基本似，𝑑𝑙(𝑥,𝑦)=∥𝑥−̃∥2+∑1−1+𝜎2 𝑥,𝑦)+𝜇2 𝑥,𝑦)−o𝜎2 𝑥,𝑦.2 2𝑗=1

𝜙,𝑗)

𝜙,𝑗)

𝜙,𝑗)在训过中对数集𝑋=𝑖𝑖=,⋯,𝑁𝑌=𝑖𝑖=,⋯,𝑁对每(𝑖,𝑖)计失函数然进平.e.𝐿(𝑋,𝑌)=1𝑁

𝑙(𝑥,𝑦)后向播计梯参数进优。

𝑁𝑖=1

𝑖𝑖我们望AE型到不标下据征分布整编器码的程相当数重由采样引的机构数不和始入同但是相较且分接的据成仅用码变𝑧由验随机生成然𝑧与标𝑦输解码生这标应特分的机这两种方均以一程上对始据进丰及补。基于cAE型数强，契于不标下的征多随变）布不同情习不标签特的布进数据成作一数增的方式升数集其任务表及健。期权衍生指标与标的风险的关系指标介绍期权场指未下风险预评提了样化信息并为者供对Hedgg与Abag平所期权交信包价交量成含动Geeks反着权市上交者标指的某种期外对时间一的有同行（kePc不同到期时eoau）的多种按行价与期间两维可构建隐波率（oaiySua果注波动与期间个度，那么以到含动的期结emSucueofoay果注含波动率与权价个维那么可得到含波微笑曲（oaySe，这些信受广投者关注测踪些信息异情对期市的套利者的数择，有非重的义。本文主目是出据增的以据上用传的权标后续在标面以出定进第个标上证50期合的VX指，类似于993美芝哥期交所）出的动指数VX的制方式VX由日交的行数计得以作期隐波率综指标隐波率常看作期市上标未来动的以VX多用于征场绪也称作恐指。图：VX指数与上证50EF收盘价走势in，第二指是证0合的KW数于200美芝哥交易出偏数KW编方EW主描期隐动率曲线率走衡反映权场易对市场益对的以及对于市尾风预SW市中极情的生有警以黑天鹅数。图：W指数与上证50F收盘价走势in，其他标看看比PutCalRa;CR它衡看期与涨权在成交量成额仓方面不称般言期市中未下行风险的期升这对称可就超正范如预未数具有较大下风时看期权交可会加对冲的临市风。图：R成交量比率上证50EF收盘价走势in，图：R持仓量比率上证50EF收盘价走势in，图1：R成交额比与上证50EF收盘价走势in，实证结果本节们要试节绍的个权生标VXSEW和PR标未来下风预评的效性先析标来一收率时相性及指标指之的关。图：风险指标与未来月收益率时序相关数in，从相系图可看VX与来月益呈负关而EW与来月收益呈相几个PR标未收率关性明考指间的相关性们现PR中PR交比率PR_oa_unover与CR成量比率PR_oue以及CR持仓比率R_poson均有强相性由这些期权生标身为险指对收率的预可并准如可以发在VX较的间数向出大者大但能无的收益率上的别衍生标能善预评估来波或险平所以其要应应为险管规下风而直接取头益。如果目由来个收益替成来个的下风险可重试标与目以指之的关性里们择在未一月最回作未来下风的量。图1：风险指标与来月最大回撤相关系数in，一般言模在类题上较回有更的表更于用所更进一我将来行险标进离成若个们类方式为：计算来个最回的均以标差；将均减0.5倍准作为个割点记节点1和点；将未一月大撤于点1标为0低风水未来月最大撤点1与点2之的签为，中风水；未一月最大撤于点2的签为2即风水。这种类法得个别中样数大相下图指与来风级之的关。图1：风险指标与来行风险等级相关系数in，从图可看VX未来行险级在显著正关这与VX自身的逻辑一致，即对未来市恐慌情绪的反应。EW与未来下行风险存在着相EW是含度描期权场未收率布的期较的离含未来的险平及跌情，对VX的效充R指中R成交额率CR_oa_unver与CR成量率R_oue与来行险级正相而PR持量率PR_poson未下风险级负于CR指标存着强相性以与VEW之间相里取CR成交比作另一风险标补CR交额率未下风正关的逻在比较时场于跌权易的好于涨权这明市场的在较的险情。进一分观指选的有性面不度的标未一收率验分布及来月大撤经分进统里高指表指高时序%分位，应，位标表指低序20分位。图1：不同X下未来一月收益率分布 图1：不同X下未来一月最大回撤分布in， ind，图1：不同W下未来一月收益率分布 图1：不同W下未来一月最大回撤分布in， ind，图1：不同R成交下未来一月收益率布 图1：不同R成交下未来一月最大回分布in，表：不同程度指标来一月收益率的均与准差ind，高X 低X 高SEW低SEW高PR成交额低PR成交额均值 -0.3% 1.6% 1.2%-1.7%-0.4%0.3%标准差 7.8% 3.2% 7.5%6.3%5.8%6.9%in，表：不同程度指标下来一月最大回撤的值标准差高低高SEW低SEW高PR成交额低PR成交额均值7.4%2.2%5.1%6.4%6.4%5.0%标准差6.0%2.8%3.7%5.7%5.3%4.7%in，图表可看低VX指标来个收和未一最回的布有着明的低VX收值高准更最回均更准差更小高低EW指未一收益和回撤样着同分总体而言较的KEW可意味相更的现高低CR交比对来收益风表同有一定区度。为了证险级类合理性我比不险等下各标分并估它们联分先过ugenedDcke—e（D验证列平稳性。之后用Koogovnov（KS）检验验单随机变量两两分布是否相同。最后用5中对于联合分布的评分方法（DbuonalScoe）通过高阶矩的差异评估联分的异原因在融据用阶决着生的倾向5。评计方如：对于d维机𝑋和𝑌1,2,⋯,𝑛1,2,⋯,𝑛分别𝑋𝑌的𝑛个𝒮和𝒦分别示一样计偏度wne）峰uos，么𝑆𝑘𝑤𝑒𝑠𝑠𝑜𝑟𝑒=∥𝒮(1,2,⋯,𝑛)−𝒮(1,2,⋯,𝑛)2,𝑟𝑡𝑜𝑖𝑠𝑠𝑜𝑟𝑒=∥𝒦(1,2,⋯,𝑛)−𝒦(1,2,⋯,𝑛∥2.DF检结为个的p均显可为序是稳接为了验证风等划的效，我统了同险级下标经分。图2：不同风险等下X的分布in，图2：不同风险等下EW的分布in，图2：不同风险等下R成交额比率的分布in，表：不同风险等级下指标的均值与标准差SEWPR成交额风险等级012012012均值17422305250210.710.299750.80.90.6标准差5.96.98.72.83.94.20.80.90.9in，表：不同风险等级间指标oogoo—rov检验的p值SEWPR成交额风险等级013-470.33-3风险等级021-151-2-8风险等级123-73-70.2in，表：不同风险等级间指标联合分布的评分数Sksoeutosoe风险等级01 0.62788风险等级02 1.910.0风险等级12 1.38942in，从经分图及Koooov—nv验结中可看在同险等级VX指的布着显的KW标在级0级1分对比外，也着不同级的分布差性；R成额指标在定的显性平下，在不风等间分存在异较的kwnsoe与Kuossoe明三个指标在不同风险等级下的联合分布存在着较为明显的差异。以上的分析也表明，我们于来险级划分式为理它在大度对着标当前的同式。基于cE和风险指标的策略模型表现及测试本节首先检模型对指联合分布的习效果。们使用条件分自编器E作为据成型样特征上章介的VXSEW以及CR成比率，本签按来月最回划的险级将215年2至20年9月的据为练，20年10至222年1的数作测集让型在训练上习征联分对试的进行较测中原始样本布重样分的差。通过一的证可以为不的来险等标分是不同的。考虑到种差异性模型事实上要学习三不同的数据布，这于而言为合因有外的签入不等下的据布行分。在数处层为模型更的练我们数集的标行时序标准化。每个训练样本包含三个指标处理后的值和一个风险等级标签。利用n-bach方进训，数优器择Ada。在测阶将试标签不的险级成三将组数入到训练好的AE模中码到变的布随机样输到码中出重构本比原样与重样的布异以作评估cAE模布习效果一方。图2在测试集风险级0时VX原始分布与构分布对比

图2在测试集风险级0时W原始分布重构分布对比 in， ind，图2在测试集风级0时PR成交额原始布与重构分布对比

图2：在测试集中险级0时各指标原始据对应重构数据热力图 in， ind，表：在测试集中风险级0时各指标的原始分与重构分布均值与准对比SEWPR成交额iginoniginoniginon均值-0.6-0.5-0.2-0.20.90.9标准差0.20.40.70.90.80.7in，图2在测试集中风险级1时VX原始分布与构分布对比

图2在测试集风险级1时W原始分布重构分布对比 in， ind，图2在测试集中风级1时PR成交额原始布与重构分布对比

图3：在测试集中险级1时各指标原始据对应重构数据热力图 in， ind，表：在测试集中风险级1时各指标的原始分与重构分布均值与准对比SEWPR成交额iginoniginoniginon均值-0.5-0.4-0.7-0.50.90.0标准差0.30.50.60.50.40.2in，图3在测试集中风险级2时VX原始分布与构分布对比

图3在测试集风险级2时W原始分布重构分布对比 in， ind，图3在测试集中风级2时PR成交额原始布与重构分布对比

图3：在测试集中险级2时各指标原始据对应重构数据热力图 in， ind，表：在测试集中风险级2时各指标的原始分与重构分布均值与准对比SEWPR成交额iginoniginoniginon均值-0.3-0.5-0.3-0.30.90.8标准差0.00.10.90.80.90.7in，表：测试集中不同风等级下的原始样本重样本的分布评估分数Sksoeutosoe风险等级00.0.8风险等级10.10.9风险等级20.20.8in，从在试当不风等级的标始本重构本布比看各标的原分与习的布差较从标热力上始与其对应的构据为似从分评分来三个险级别始本与重构样本高阶矩差较小。上述果均表明E模型此分布学有不错表，时表从训集学到分有着定泛性。策略构建及回测结果上一中证了AE型对指分学的现。节，们用权场的风指对来行险进预评估并下行险测建数择策略来证标有策略想是制来高风预下持于市场的隐状可会生变所在测更好近的里采用滚动训的后始策的础对个练集行据改进后策略果提。初始略定固口为500个易每0个易为个仓在每个调先窗内的据行序准用准期数据（不括日预测（dco参了便见预选择线性分器辑归（ogcRegeonde然后用计参的测器和当数对来险行预再据测确定仓们对持仓限制参设是测来下风级0满持险级为1或2时持仓比限为01。为了果可增强进的策设除每调日训集余与初策保一每个仓标化后的口数以标（包括当数）练cE模型得AE学不同签指的布接下来应用练的AE对窗期的练据行重，生与始本据同分的构本据将重样与始本及它对的签新包为这个仓的广练后新训集测器参进估后与初始策相用计数的测和日据未来险行据结果确定仓。我们用015年2月至022年1的险标据以行数对略行回测得意是由使用动口策回计算值起日是据始日期第500个易。图3：策略净值对（测器：Lgcegeon）in，图3：使用数据增后策略对未来风险的测预测器：Lgcegeon）in，表1：策略回测结（测器：Lgcegeon）年化收益年化波动Shapeato最大回撤累计净值胜率指数基准2.1%194%0.1384%1.2-初始策略8.2%104%0.9128%1.60.5数据增强后的策略9.0%108%0.3128%1.30.0in，选择测为辑归型对上义初略以数增后策进回测从值线可出依期风指未来行险行估择时策略的可在定度规避场来大下而得额益在个调仓的练经数增强预器稳得到未风预测评估也为确改后策略有好表风险测中指曲上色的点示来下风等级低色表示风或风据来自改进的略表中以始与改后策均有高超额和hapea显低的动及大其中进的项标优这来自数增在定度上模提的化由于里仅用性型作为类身化不错所从据来并没大度效提下来将测改随森模型并试略表。图3：策略净值对（测器：andmoe）in，图3：使用数据增后策略对未来风险的测预测器：anomoe）in，表：策略回测结（测器：andmoe）年化收益年化波动Shapeato最大回撤累计净值胜率指数基准2.1%194%0.1384%1.2-初始策略7.9%9.9%0.0121%1.30.1数据增强后的策略103%100%1.31396%1.40.4in，当使用随机森林模型对未来下行风险进行分类时，从策略净值对比图中可以看出类似线分规避了多幅跌情险避策方式使其身为守但然没错上的间此时过AE型增后的策具显更的现并优预器辑回模时情在很大程度是于复的线性类型于据的较要求所数强相对复的练务有大的果未险的测中标注为中高险级点多布在期有大撤区间中据自据强改进的略从略估表可看预器选随森模时初策略与进的略各指标都着对数著更的现且增改进后略年收率年化动以及peo等方面对始略优异。对比同测选下初始对杂测器没提策的现这可能由滚窗期数据过从降了型的化性即本预能力这于对杂模型言为显然对不预器的据强改进的复测器择数增使策略现明提表明了数据强提模泛性方具不的献尤其对小本况相复杂模的练言。上述果据对于来行险测估效有明的尤其是对于动练较的据集况及对杂预测型情另数增强对始略行进回测果各指上现更。最后证据强略参数敏性里调整同中风下仓制值，比不持限下的始略改策的回结。表1：策略对持仓制数的敏感性（预测：moe）年化收益年化波动Shapeato最大回撤累计净值指数基准2.1%194%0.1384%1.2初始策略（01）7.9%9.9%0.0121%1.3改进策略（01）103%100%1.3140%1.4初始策略（02）7.7%11%0.9153%1.2改进策略（02）9.4%104%0.1140%1.7初始策略（03）7.3%16%0.3173%1.9改进策略（03）8.6%11%0.8173%1.0初始策略（04）6.5%1