金融工程專題報告：深度學習因子選股體系.pdf

金融工程專題報告：深度學習因子選股體系。特征提取：基于“時序+截面”的基礎(chǔ)架構(gòu)，我們設(shè)計了五類差異化類網(wǎng)絡(luò) 結(jié)構(gòu)，這些網(wǎng)絡(luò)對同一輸入能得到低相關(guān)因子輸出。基于日度行情、分鐘行情 以及手工特征三類數(shù)據(jù)，我們訓練了 10 個模型，模型間平均相關(guān)性僅 55%。

Alpha 信號：基于線性等權(quán)、樹模型與專家網(wǎng)絡(luò)三類加權(quán)方式，我們將數(shù)百 個神經(jīng)網(wǎng)絡(luò)特征集成為 alpha 信號。綜合因子自 2019 年以來 5 日 IC 均值 為 13.3%，10 日 IC 均值為 15.0%，多頭組合超額收益為 49.0%。

風險模型：相較于傳統(tǒng) barra 等風險模型基于投資邏輯構(gòu)建風險特征，我們 用神經(jīng)網(wǎng)絡(luò)通過端到端學習模式直接從原始量價數(shù)據(jù)中識別高維非線性風險 模式。風險因子長期不暴露 alpha，同時表現(xiàn)出對截面收益的高解釋能力。

指增策略：基于深度學習 alpha 信號與風險特征，我們構(gòu)建系列指增策略： 1. 自 2019 年以來，滬深 300 指數(shù)增強組合年化收益為 18.2%，相比于 滬深 300 指數(shù)的超額收益為 14.2%，跟蹤誤差為 4.5%； 2. 中證 500 指數(shù)增強組合年化收益為 22.4%，相比于中證 500 指數(shù)的超 額收益為 17.2%，跟蹤誤差為 4.8%； 3. 中證 1000 指數(shù)增強組合年化收益為 29.8%，相比于中證 1000 指數(shù)的 超額收益為 24.5%，跟蹤誤差為 5.4%。