金融工程专题：涵盖价量与基本面因子的多模型结合神经网络.pdf

金融工程专题：涵盖价量与基本面因子的多模型结合神经网络。本文是深度学习揭秘系列报告第二篇。本文先以量价因子 Alpha158 与基本面因子为 特征，全连接神经网络为测试对象，从模型的输入端入手，讨论了量价因子与基本面 因子对原始收益的预测效果，以及在预测中性化收益率的场景下，不同输入形式与 输出处理方式的特点。其次，本文研究通过参数遍历的方式,对比了时序神经网络相 对全连接神经网络的优劣，研究了时序神经网络的参数设置规律，以及时序神经网 络对量价因子和原始行情数据的拟合及预测效果。

以量价因子原始值建模预测中性化收益，在因子 IC 与组合收益上有损，但模型能学 习到市值与行业的波动。在预测中性化收益的场景下，本文对比了不同的输入三种 方式。（1）以原始值为特征，原始收益率为标签，中性化模型预测值。（2）以中性化 值为特征，中性化收益率为标签，直接输出预测值。（3）以中性化值为特征，中性化 收益率为标签，再中性化模型预测值。综合对比发现，第一种方法的预测值 RankIC 与多头组合超额收益略低于第二种方式；但第一种方式的超额收益波动率与最大回 撤每年均值优于第二种方式；第二种方式的 RankIC 与第三种方式相差不大。

基本面因子存在中性化预处理的必要。直接将基本面因子原始值输入神经网络模型， 我们发现预测原始收益的 RankIC 相对较低，预测中性化收益的 RankIC 也显著低于 输入端经过中性化预处理的基本面因子。因为不同行业的基本面因子存在中枢的差 距，因此我们认为基本面因子在输入神经网络前需要进行中性化处理。

基本面因子的中性化收益预测能力能补充量价因子的原始收益预测能力。在预测原 始收益的场景下，本文对比了量价因子原始值与基本面因子原始值非线性结合，和 量价因子原始值与基本面因子中性化值非线性结合，两种方式的预测效果。对比发 现，因为基本面因子原始值预测原始收益率效果相对较弱，因此相对纯量价因子组 合的增强效果不明显，而中性化后的基本面因子能增强原始量价因子的绝对收益预 测效果。

将时序神经网络用于单日量价因子，而全连接神经网络用于窗口期量价因子，是预 测效果，算力消耗与显存占用间较均衡的选择。本文通过参数遍历的方式，将量价 因子 Alpha158 全部输入 MLP 的预测效果，同将量价因子全部输入 RNN 或者 GRU 模型 的预测效果进行了对比，发现这种时序神经网络应用方式无法稳定战胜 MLP，且对参 数较敏感。因此本文采用将 Alpha158 中的单日因子用时序神经网络拟合后，与窗口 期因子拼接，再一起经过 MLP 模型训练，发现这种应用方式稳定优于纯 MLP 模型， 且能够总结一些隐藏单元参数和特征步长参数的经验设置方式。

时序神经网络也可拟合原始行情数据。本文也将时序神经网络用于拟合原始高开低 收均价成交额成交量等原始行情数据，行情合成因子 2014 年以来 RankIC 均值在 9% 左右，与 Alpha158 单日因子合成值的相关性为 0.6。在隐藏单元数设置上，相较于 人为加工过的单日选股因子，拟合原始行情数据的时序神经网络隐藏单元设置的更 多一些，方能取得较理想的预测效果。

低频量价+高频量价+基本面因子+行情的多模型组合。基于以上研究结论，打造了输 入端覆盖低频价量、高频价量、基本面因子与行情数据，包含全连接与 GRU 神经网 络的多模型组合。通过研究该网络的预测区间与调仓频率的关系，发现网络预测效 果主要集中在调仓后的初期阶段，因此我们合成了 5 日因子与 20 日因子得到了混频 因子。通过该因子构建的行业轮动组合年化多头超额 11.36%，中证 1000 指增组合年 化超额 16.21%。