华泰人工智能系列三十二：_AlphaNet，因子挖掘神经网络-20200614-华泰证券-24页.pdf

证券研究报告 金工研究/深度研究 2020 年06 月14 日 林晓明 执业证书编号：S0570516010001 AlphaNet ：因子挖掘神经网络 研究员 0755 linxiaoming@ 华泰人工智能系列三十二 陈烨 执业证书编号：S0570518080004 研究员 010 本文构建了端到端的因子挖掘神经网络AlphaNet ，并测试了其有效性 chenye@ 过去10 年，基于神经网络的深度学习模型引领了人工智能的发展。与传统 李子钰 执业证书编号：S0570519110003 的机器学习不同，深度学习模型通过端到端(end to end)的方式，直接从原 研究员 0755 始数据中提取特征并针对目标做出预测，从而避免了多步骤学习的人工干 liziyu@ 预和信息损失。然而将深度学习运用于多因子选股时，套用现有模型可能 何康 021 效果会不达预期，需要量身定制合适的网络结构。本文为了整合多因子选 联系人 hekang@ 股中的因子生成和多因子合成步骤，设计了一种全新的网络结构： AlphaNet 。在测试中，AlphaNet 能有效提取股票原始量价数据中的特征， 王晨宇 02138476179 联系人 wangchenyu@ 其合成因子相比传统因子具有显著的增量信息。 深度学习的端到端特征学习能力使得借助神经网络挖掘因子成为可能 相关研究 深度学习中的代表模型有卷积神经网络CNN 和循环神经网络RNN。CNN 通过引入卷积层和池化层，能有效提取图像中的特征，成为计算机视觉领 1 《金工: 行业全景画像：风格因子视角》 域中的优秀模型。RNN 通过引入序列网络结构，能有效提取序列数据中的 2020.06 特征，成为语音识别、自然语言处理等领域中的优秀模型。通过巧妙的网 2《金工: 耦合振子同步的藏本模型》2020.05 络结构构建，深度学习能展现出强大的特征学习能力，实现端到端的学习 3 《金工: 引入高阶矩改进马科维茨组合表 和预测。要达到优秀的端到端学习效果，需要结合神经网络的灵活性和待 现》2020.05 解决问题的领域知识，有针对性地设计出网络结构。本文针对量化投资中 选股因子的自动挖掘和合成问题，设计了一种全新的网络结构：AlphaNet 。 本文介绍了因子挖掘神经网络AlphaNet 的结构和技术细节 为了有效提取股票原始量价数据中的特征，AlphaNet 借鉴了遗传规划中特 征构建的思想，将多种运算符函数作为自定义网络层用于特征提取。 AlphaNet 包含四部分：(1)数据输入：仿照CNN 的方式，将个股原始量价 数据整理为二维 “数据图片”的形式输入网络。(2)特征提取层：AlphaNet 中最关键的组成部分，实现了多种自定义运算网络层提取特征，并利用批 标准化层(Batch Normalization)进行特征标准化。(3)池化层：与CNN 中池 化层基本一致，对上一层的特征进行“模糊化”操作。(4)全连接层：对接 预测目标，作用是对提取的特征进行加权合成。