金融工程专题报告：深度学习因子选股体系.pdf

金融工程专题报告：深度学习因子选股体系。特征提取：基于“时序+截面”的基础架构，我们设计了五类差异化类网络 结构，这些网络对同一输入能得到低相关因子输出。基于日度行情、分钟行情 以及手工特征三类数据，我们训练了 10 个模型，模型间平均相关性仅 55%。

Alpha 信号：基于线性等权、树模型与专家网络三类加权方式，我们将数百 个神经网络特征集成为 alpha 信号。综合因子自 2019 年以来 5 日 IC 均值 为 13.3%，10 日 IC 均值为 15.0%，多头组合超额收益为 49.0%。

风险模型：相较于传统 barra 等风险模型基于投资逻辑构建风险特征，我们 用神经网络通过端到端学习模式直接从原始量价数据中识别高维非线性风险 模式。风险因子长期不暴露 alpha，同时表现出对截面收益的高解释能力。

指增策略：基于深度学习 alpha 信号与风险特征，我们构建系列指增策略： 1. 自 2019 年以来，沪深 300 指数增强组合年化收益为 18.2%，相比于 沪深 300 指数的超额收益为 14.2%，跟踪误差为 4.5%； 2. 中证 500 指数增强组合年化收益为 22.4%，相比于中证 500 指数的超 额收益为 17.2%，跟踪误差为 4.8%； 3. 中证 1000 指数增强组合年化收益为 29.8%，相比于中证 1000 指数的 超额收益为 24.5%，跟踪误差为 5.4%。