多因子量化选股系列专题研究：基于深度学习的因子优化研究.pdfVIP

多因子量化选股系列专题研究 基于深度学习的因子优化研究 2022年5月18 日 CONTENTS 目录 1. 投资聚焦：重设目标函数，破局低信噪比 2. 传统的因子合成方法简介 3. DCM ：以优化IC作为目标函数的深度模型 4. 模型测试：有效提升测试集IC 5. 优化IC的理论解释：更好的适应全局优化 6. 结论与投资建议 7. 风险因素 1 1. 投资聚焦：重设目标函数，破局低信噪比 2 1 投资聚焦：重设目标函数，破局低信噪比  在偏高频的领域，深度学习已经有了较好的应用。而在偏低频的策略上似乎用处不大，在提升效果不明显的结果下， 还有稳定性弱，解释性差等缺点。导致深度学习不再 “强大”的最大困难还是训练数据的信噪比过低，尤其是拟合目 标——收益。  传统机器学习领域，如图像、语音和自然语言，噪声主要存在于信号本身，也即X 。而金融信号的噪声我认为主要存 在于预测目标，也就是Y 。解决X 中噪声的主要方法是调整网络的结构，去学习信号中的不变性。对于Y 中的噪声，更 应该从目标函数的设计入手。  传统的做法是直接对收益率或者排名进行预测，目标函数一般为均方误差。然而，这样的预测目标噪声非常大，不利 于模型的学习。  相关性更加注重统计性  从信息检索的角度看，这是一种list-wise的做法，统计性的目标函数能够更好的去除噪声的影响，而传统的线性回归对收益/排名的预 测是一种point-wise的做法，受噪声的影响更大  本研究将合成因子与收益率的相关性作为优化目标，采用深度网络实现学习，提出深度相关性模型 （Deep Correlation Model，DCM） 3 2. 传统的因子合成方法简介 4 2 传统的因子合成方法简介  等权法  将所有因子标准化后直接等权加总  历史IC加权  将所有因子按照最近一段时期内因子的信息系数 （Information Coefficient, IC）为权重进行加权。  IC定义为某因子在全部股票的因子暴露值与其下期回报的皮尔逊相关系数  Weighted IC ：为因子值高的样本赋予更高的权重。解决头部相关性与整体相关性背离的问题  最大化IC_IR加权  通过优化合成因子历史的IC_IR得到权重进行加权 × × ∗ −1  maxIC_IR = ， ∈ ℝ 表示各个因子IC的协方差矩阵。其最优解为： = × √  最大化IC加权  通过优化合成因子历史的IC得到权重进行加权 × ∗ −1  maxIC = ，V是当前截面期因子值的协方差矩阵。其最优解为： = × √