基于时序神经网络的选股模型初探.pdf

基于时序神经网络的选股模型初探。对于时序数据，常用处理模块包括 RNN、CNN 和 Attention。三 者的作用各不相同：RNN 擅于捕捉长期宏观依赖关系；CNN 擅 于捕捉短期局部依赖关系；Attention 可为时间或变量加权。

时序模型结构

选择 9 类结构各异的时序模型，包含 GRU、AGRU、TPA、GAT、 LSTNet、TCN、TCAN、XCM 和 Transformer。其中，AGRU 模型增 加时序注意力层；TPA 模型侧重识别关键变量的时序模式； LSTNet 模型包含短期信息、长期信息、周期信息、线性稳健预 测的多种学习途径；GAT 模型增加图注意力层；XCM 模型仅用 CNN 模块实现低复杂度和高可解释性的结构；TCN 模型构建适 用于时序建模的卷积模块；TCAN 模型在 TCN 的基础上纳入注意 力机制；Transformer 模型以注意力机制为核心进行时序建模。

单模型测试

从单模型整体绩效来看：1）TCN 模型 IC 绩效最优，均值因子 IC 达到 11.31%，随机种子间最大差异仅为 0.26%；2）Transformer 模型 IC 绩效偏弱，均值因子 IC 8.66%，随机种子间最大差异可 达 1.73%。从单模型分年绩效来看：1）随模型更新，模型间的 相对表现出现轮转；2）GRU、AGRU、TPA、TCN 在过往年份表 现颇为强势，其中 TCN 模型无明显弱势年份；3）XCM、 Transformer 在过往年份表现较弱势，但今年表现偏强势。

多模型测试

从模型间相关性来看：1）GRU、AGRU、TPA 因结构相似性而高 度相关；2）XCM、TF 因模块差异性而与其它模型偏低相关。从 模型间两两结合来看：1）强强结合利于提升当收 IC 绩效；2） 强弱结合可提升次均 IC 绩效。从多模型等权结合的效果来看： 1）相较于单模型，IC 绩效全面提升，分年表现更平滑、无弱势 年份；2）中证 1000 内分组的多头年化超额可达 29.5%；3）中 证 1000 增强组合的年化超额收益可达 18.6%、信息比率 2.63。