市场微观结构系列（32）：深度学习赋能因子挖掘2.0，综合应用方案.pdf

市场微观结构系列（32）：深度学习赋能因子挖掘2.0，综合应用方案。

开源金工因子挖掘 2.0 模型框架概览

在《深度学习赋能交易行为因子》，我们初步提出了 1.0 因子挖掘框架：1、日度 变化类指标通过 LSTM，提取隐藏层；2、财务指标截面标准化后拼接在其后， 再通过 MLP 输出为最终的因子。本篇报告将对 1.0 版本的因子挖掘框架进行升 级，主要为三点：1、变量的丰富；2、网络的迭代；3、应用的升级。

基础行情测试模型有效性

1、 对于网络而言，本文选择 GRU 和 GAT。对于 GAT 的关联网络我们尝试了： 行业、财务、资金流三大维度，其中基于财务网络挖掘出的因子多头表现相 对最好。 2、 对于三种不同的 GAT 网络而言，未来 10 日 RankIC 与过去 20 日 Barra 因子 收益存在一定相关性。相较于三个因子简单等权，本文采取 SA 加权：在训 练时加入一层可学习的 mlp 层，输入端为 Barra 风格因子收益。 3、 进一步地，我们参考《深度学习赋能交易行为因子》，考虑财务后，因子绩 效进一步提升，尤其多头端提升较为明显。其 10 日 RankIC 为 11.7%；多头 超额收益为 24.1%，信息比例为 3.0；多空收益为 58.9%，信息比例为 5.1。

多特征集训练

1、 G。该维度来自《深度学习赋能技术分析》，是基于基础行情的衍生指标，包 含：技术指标和 K 线状态变量。因子 10 日 RankIC 为 11.0%。 2、 C。该维度是大小单资金流相关特征，包含：1、原始数据；2、衍生指标；3、 状态变量。因子 10 日 RankIC 为 10.6%。 3、 HF。该维度是高频数据降维的日度特征。因子 10 日 RankIC 为 11.6%。 4、 DP。该维度是遗传算法有效因子。因子 10 日 RankIC 为 11.4%。 5、 合成。ML_C 因子 10 日 RankIC 为 14.2%；多头超额收益为 26.1%，信息比 例为 3.1；多空收益为 72.7%，信息比例为 6.1。

深度学习应用

1、多头优选个股。在《深度学习赋能风格轮动和多策略融合》中，我们提出了 基于强化学习的风格轮动方案。本篇报告中，我们将选股和风格轮动融合在一起， 构建 Beta+Alpha 的深度学习优选组合。从 2020 年至今，全 A 优选 50 年化收益 38.52%，在中证 800+中证 1000 成分股内，优选 30 年化收益 26.18%。 2、行业轮动因子构建。采取自下而上的聚合，构建行业轮动因子，10 日 RankIC 为 9.27%。其还可用在上证 50 增强中，超额年化收益为 4.95%，信息比率为 2.28。 3、指数增强。使用 ML_C 进行指增，从 2020 年至今，不同宽基绩效如下：沪 深 300 增强超额年化收益为 6.77%，信息比率为 2.06；中证 500 增强超额年化收 益为 10.72%，信息比率为 2.83；中证 1000 增强超额年化收益为 14.41%，信息 比率为 3.26。