深度学习揭秘系列之一：基于量价与基本面结合的深度学习选股策略.pdfVIP

目录

一、深度学习理论5

1.1、神经元与激活函数5

1.2、前馈神经网络拟合能力较强6

1.3、前馈神经网络的反向传播算法8

1.4、学习率调整算法Adam9

1.5、丢弃法（Dropout）10

二、LassoVsMLP——分别用于量价与基本面因子11

2.1、量价因子数据集11

2.2、基本面因子数据集13

2.3、数据预处理与网络参数设置15

2.4、LassoVsMLP——量价因子17

2.5、LassoVsMLP——基本面因子19

2.6、全连接网络隐藏层神经元数量设置的敏感性分析与启示21

2.7、小结：非线性模型更能挖掘量价因子的潜力23

三、量价与基本面因子结合的初步尝试26

3.1、线性方式——等权结合27

3.2、线性方式——ICIR加权28

3.3、非线性方式——输入层拼接量价与基本面30

3.4、非线性方式——分支网络统筹子因子合成与大类因子加权32

3.5、小结：端到端的分支网络结合量价与基本面更具优势34

四、基于长短期收益预测的混频组合38

五、基于低频量价、高频量价、基本面因子的中证1000指增策略41

参考文献43

风险因素44

表目录

表1：Alpha158因子列表11

表2：基本面因子列表13

表3：各模型全区间IC统计—量价因子预测未来5日与20日18

表4：各模型全区间多头超额与多空超额收益风险特征指标—量价因子18

表5：各模型全区间IC统计—基本面因子预测未来5日与20日20

表6：各模型全区间多头超额与多空超额收益风险特征指标—基本面因子20

表7：一层的全连接神经网络不同神经元数量下合成因子效果21

表8：两层的全连接神经网络不同神经元数量下合成因子与Lasso因子的相关性21

表9：两层的全连接神经网络不同神经元数量下合成因子的RankIC均值22

表10：两层的全连接神经网络不同神经元数量下合成因子的ICIR22

表11：量价因子+MLP多头超额绩效指标—每5日调仓24

表12：基本面因子+MLP多头超额绩效指标—每5日调仓24

表13：量价因子+MLP多头超额绩效指标—每20日调仓25

表14：基本面因子+MLP多头超额指标—每20日调仓25

表15：量价、基本面与等权因子IC统计27

表16：量价、基本面与等权因子多头超额与多空超额收益风险特征指标27

表17：量价、基本面与ICIR加权因子IC统计28

表18：量价、基本面与ICIR加权因子多头超额与多空超额收益风险特征指标29

表19：量价、基本面与输入层拼接因子IC统计31

表20：量价、基本面与输入层拼接因子多头超额与多空超额收益风险特征指标31

表21：量价、基本面与分支网络因子IC统计33

表22：量价、基本面与分支网络因子多头超额与多空超额收益风险特征指标33

表23：量价、基本面与各合成方法IC统计—5日34

表24：量价、基本面与各合成方法多头超额与多空超额收益风险特征指标—5日34

表25：量价、基本面与各合成方法IC统计—20日35

表26：量价、基本面与各合成方法多头超额与多空超额收益风险特征指标—20日35

表27：分支网络合成因子多头超额绩效指标—每5