基于量价与基本面结合的深度学习选股策略.pdf

基于量价与基本面结合的深度学习选股策略。本文是深度学习揭秘系列报告第一篇。因此本文从基础的神经网络理论部分 入手，介绍了神经元结构、Relu、Sigmoid 等常用激活函数、反向传播算法， 以及后文中用到的 Adam 优化器与 Dropout 层。

非线性模型更能挖掘量价因子的潜力。本文以开源 Alpha158 作为量价因子 集，以及常见的估值、成长、质量、分析师一致预期等因子作为基本面因子 集进行基础研究，采用线性模型 Lasso 和非线性模型 MLP 分别对量价与基本 面因子进行合成。结果显示，非线性 MLP 模型相较于线性 Lasso 模型在量价 因子上优势较明显，MLP 模型的 5 日 RankIC 较 Lasso 模型提升 1.82pct，费 后多头超额收益提升 9.42pct；20 日 RankIC 较 Lasso 提升 1.94pct，费后 多头超额收益提升 6.54pct。但非线性模型的优势在基本面因子上不突出， MLP 模型长期表现与 Lasso 模型几乎持平。我们认为可能有几个原因：1）基 本面因子之间结合的逻辑偏线性，而量价因子的非线性组合可能包含增量信 息。2）部分基本面因子在财报真空期值不变，而标签 Y 却每天有变动。3） 基本面因子数量相较于量价因子偏少。

端到端的分支网络结合量价与基本面更具优势。前文我们用全连接神经网络 分别结合了量价与基本面因子，但如何进一步将量价因子与基本面因子相结 合是我们关心的另一方面。我们从基础的线性结合方式入手，尝试等权结合 与 ICIR 加权结合前文神经网络拟合的量价与基本面因子，结果表明线性结 合的因子较难战胜纯量价因子。5 日纯量价因子的 RankIC 为 12.39%，纯基 本面因子 RankIC 为 7.32%，等权因子 RankIC 为 11.64%，ICIR 加权因子 RankIC 为 12.37%。因此我们更进一步，采用分支网络端到端计算量价与基 本面的子因子合成，以及量价与基本面因子的权重生成。结果显示，5 日分 支网络合成因子 RankIC 为 12.9%，相较于原始量价因子提升 0.51pct，多头 超额年化收益为 10.85%，提升 2.54pct，多空超额年化收益为 132.21%，提 升 9.77pct。在 20 日的维度同样也优于其他合成方式。

基于长短期收益预测的混频组合。5 日因子对短期收益的预测效果更好，而 20 日因子对长期收益的预测能力更佳。因此我们以 20 日因子的多头组合为 底仓，与 5 日因子排名靠前的股票取交集进行高频调整。与前 25%的 5 日因 子取交集，多头超额提升 6.98pct，与前 50%取交集提升 4.79pct，与前 75% 取交集提升 3.26pct。且交集股票范围越小，换手越高，因此这是一个以提 高换手率获取更高收益的组合思路。另外，我们发现混频组合的最大回撤会 更接近于底仓 20 日组合的最大回撤，因此提高了收益的同时最大回撤并无 显著增加。

基于低频量价、高频量价、基本面因子的中证 1000 指增策略。在 20 日调仓 的换手下，限制 100%指数成分股内选股，个股权重最大偏离 0.5%，行业最 大偏离 3%，风格最大偏离 0.01 的约束条件，中证 1000 指增组合 2015 年至 2024 年 5 月 31 日年化收益为 11.59%，年化信息比为 3.56，单边年化换手 率 7.61。相对中证 1000 全收益的年化超额收益为 13.17%，收益波动比为 3.77，收益回撤比为 5.06。今年超额收益为 3.73%。