基于残差网络的端到端因子挖掘模型.pdfVIP

| 专题报告—— 基于残差网络的端到端因子挖掘模型 目 录 引言4 一、因子提取单元网络结构5 1.1 残差网络（Residual Networks ResNet ）概述5 1.2 数据图片以及数据集的构造6 1.3 本文使用特征提取的网络架构6 二、因子分析8 2.1 各数据集选股效果分析8 2.2 各数据集打分与常见量价因子相关性分析9 三、各数据集因子非线性加权结果分析 10 四、合成因子指数增强组合表现 12 4.1 增强组合构建说明12 4.2 沪深300 指数增强13 4.3 中证500 指数增强14 4.4 中证1000 指数增强15 五、结论 16 附录 17 风险提示 17 核心参考文献 17 2 | 专题报告—— 基于残差网络的端到端因子挖掘模型 图表目录 图 1：AI 量价模型框架4 图 2 ：ResNet 层结构说明5 图 3 ：数据图片6 图 4 ：ResNet 特征提取示意图7 图5 ：端到端因子挖掘网络结构7 图6 ：NN Layer 结构7 图 7 ：各数据集多元RNN 因子年化超额收益（回测20230630 ）8 图 8 ：各数据集打分与常见量价因子相关性分析9 图 9 ：非线性加权打分中证全指分组年化超额收益（回测20230630 ）10 图 10：非线性加权打分分组年化超额收益（回测20230630 ）12 图11：沪深300 指增净值走势（Model3 ）13 图12：沪深300 指增净值走势（Model4 ）13 图13：中证500 指增净值走势（Model3 ）14 图14：中证500 指增净值走势（Model4 ）14 图15：中证1000 指增净值走势（Model3 ）15 图16：中证1000 指增净值走势（Model4 ）15 表1：各数据集多元RNN 因子IC 分析 （回测20230630 ）8 表2 ：各数据集生成因子间Pearson 相关系数8 表3 ：中证全指选股汇总表现（回测20230630 ）10 表4 ：中证全指各年度选股表现（回测20230630 ） 11 表5 ：沪深300 选股表现 （回测20230630 ） 11 表6 ：中证500 选股表现 （回测20230630 ） 11 表7 ：中证1000 选股表现 （回测20230630 ） 11 表8 ：沪深300 指增组合分年度超额收益率13 表9 ：沪深300 指增组合汇总表现13 表10：中证500 指增组合分年度超额收益率14 表11：中证500 指增组合汇总表现14 表12：中证1000 指增组合分年度超额收益率15 表13：中证1000 指增组合汇总表现15 表14：因子说明17 3 | 专题报告—— 基于残差网络的端到端因子挖掘模型 引言 近年来机器学习模型在量化投资领域得到了广泛的应用。基于机器学习模型良好的拟合和特 征提取能力，前期报告《基于循环神经网络的多频率因子挖掘》利用RNN、决策树模型搭建了AI 量价模型框架并将其应用于选股。回测结果显示该策略在样本外有着十分显著的选股效果。 这套AI 量价模型框架主要是基于多个