高频与日度量价数据混合的深度学习因子分析报告.pdfVIP

[Table_MainInfo] 金融工程研究 证券研究报告 金融工程专题报告 2023 年5 月13 日 [Table_Title] 选股因子系列研究（八十七）——高频与日 相关研究 [Table_ReportInfo] 《选股因子系列研究（七十七）——改进 深度学习高频因子的9 个尝试》 度量价数据混合的深度学习因子 2022.04.06 [Table_Summary] 《选股因子系列研究（七十九）——用注 投资要点： 意力机制优化深度学习高频因子》 2022.05.24 《选股因子系列研究（八十六）——深度 在本系列的前期报告中，我们介绍了如何使用深度学习模型挖掘高频数据中包含的 学习高频因子的特征工程》2023.01.24 Alpha。本文在此基础上引入低频量价信息，并在较长的周期内，和高频数据共同训 练，寻找更多的增量信息。  本文将26 个日频特征和64 个60 分钟频特征共同输入深度学习模型，并大幅延 [Table_AuthorInfo] 长训练和迭代周期后，得到了新的混频深度学习因子。2017 年以来，在5 日和 10 日两种预测标签的设定下，因子呈现出显著的周度选股能力。周均 IC 达到 0.10，TOP 10%和TOP 100 多头组合的多路径平均年化超额收益分别高达30% 和35%。  相对而言，成交金额较高、市值适中的这一类股票，更适合混频因子的发挥。如 果按宽基指数划分，因子在中证800 与1000 外的股票中，IC 和多头超额收益最 优，其次是全市场中。表现相对较差的是在沪深300 成分股中，但IC 依然有0.071， 多头超额收益也能达到 25%。若按市值大小划分，处于中间 40%的股票中，因 子的 IC 和多头超额收益皆为最高，其次是市值最小的 30%股票；若按成交金额 高低划分，反而是最高的30%股票中，因子表现更好，IC 超过 0.11，多头超额 收益更是在35%以上。  在原先仅使用高频数据训练因子的基础上加入低频量价特征，以及采用非线性的 加权，都有可能获得更好的因子或收益预测。对比高频深度学习因子（改进GRU 和残差注意力）、高频深度学习因子和低频量价因子经IC 加权复合后的因子及混 频深度学习因子的选股效果，我们发现，与低频量价因子复合较为显著地提升了 原始高频深度学习因子的 IC 和 RankIC，但也付出了 ICIR 和胜率下降的代价。 而将低频和高频特征一同输入深度学习模型，则获得了 IC 最高的因子。同时， 其余评价指标，如ICIR、RankIC、胜率等，都处在较优的水平上。  将混频因子直接作为股票的收益预测，构建周度调仓的中证500 和中证1000 增 强组合。若没有成分股约束，中证500 增强组合的年化超额收益最高可达22%；