因子选股系列专题报告：Neural ODE，时序动力系统重构下深度学习因子挖掘模型.pdf

因子选股系列专题报告：Neural ODE，时序动力系统重构下深度学习因子挖掘模型。

研究结论

金融数据常因停牌、财报发布和突发事件等因素存在缺失、噪声及异常等问题，这 些问题通常会影响模型稳定性以及样本外的泛化能力。本文提出一种 RNN+Neural ODE+MLP融合模型，将时序数据建模为微分动力系统，然后进行数据重构和特征提取， 从而提升模型样本外的选股鲁棒性。整个模型由以下部分构成：  通过 RNN 和 Neural ODE 模型构建变分自编码层（VAE 层），利用 RNN 进行时序 数据的压缩和降维，再将神经微分方程（Neural ODE）学习时序数据隐含的时序演 化规律，将数据进行去噪和重构。  最后我们将重构去噪后的数据输入 MLP 层进行 alpha 信息的捕捉和挖掘，从而对未 来收益率标签进行拟合。

模型因子对比

通过将 Baseline 模型和新模型因子多头绩效的对比，我们得到以下结论：  相较于 Baseline 模型，除 2020 年和今年，其余各年份 Model1 因子的多头超额均能 大幅跑赢。而分组超额来看，Model1 的 Top 组和 Grp1 组超额相较于 Baseline 模型 分别提升了 1.91%和 3.07%，说明新模型相对于 Baseline 能大幅改善多头的表现。 在 2024 年出现较为极端的市场环境下，Model1 因子多头超额相较于 Baseline 模型 提升了 6.63%，最大回撤也有所下降，说明 Model1 抗风险能力相对更强。 在各个回测区间，Model1 因子的多头组合换手率相较于 Baseline 均有一定程度的下 降。这意味着实盘可能有更高的交易成本优势。  Baseline 模型和 Model1 模型多头超额净值走势趋同度较高，各年度的最大回撤区间 基本上重合，说明各类模型从相同量价特征中提取的 alpha 信息一致性相对较高。

因子选股能力和行业轮动能力的表现

新模型 2018 年以来在中证全指上十日 RankIC 均值为 16.33%，top 组年化超额分别 为 54.54%。相较于基准，新模型选股效果均有明显提升。行业轮动方面，2018 年 以来，新模型 RankIC 可达 12.55%，Top 组年化超额可达 25.27%，各项指标表现也 是显著战胜基准。 本文生成因子也可以直接应用于指数增强策略，在各宽基指数上均能获得显著的超 额收益，在成分股不低于 80%限制、周单边换手率为 20%约束下，在沪深 300、中 证 500 和中证 1000 增强策略上 2018 年以来新模型年化超额收益率分别为 16.67%， 21.37%和 32.41%，超额的夏普比率分别为 3.14、3.21、4.37。