基于量价与基本面结合的深度学习选股策略分析报告.pdfVIP

[Table_Title]

证券研究报告深度学习揭秘系列之一：基于量价与基本面

金工研究结合的深度学习选股策略

[TableReportType][Table_ReportDate]2024年8月6日

金工专题报告

[Table_Author][Table_Summary]

➢本文是深度学习揭秘系列报告第一篇。因此本文从基础的神经网络理论部分

入手，介绍了神经元结构、Relu、Sigmoid等常用激活函数、反向传播算法，

以及后文中用到的Adam优化器与Dropout层。

➢非线性模型更能挖掘量价因子的潜力。本文以开源Alpha158作为量价因子

集，以及常见的估值、成长、质量、分析师一致预期等因子作为基本面因子

集进行基础研究，采用线性模型Lasso和非线性模型MLP分别对量价与基本

面因子进行合成。结果显示，非线性MLP模型相较于线性Lasso模型在量价

因子上优势较明显，MLP模型的5日RankIC较Lasso模型提升1.82pct，费

后多头超额收益提升9.42pct；20日RankIC较Lasso提升1.94pct，费后

多头超额收益提升6.54pct。但非线性模型的优势在基本面因子上不突出，

MLP模型长期表现与Lasso模型几乎持平。我们认为可能有几个原因：1）基

本面因子之间结合的逻辑偏线性，而量价因子的非线性组合可能包含增量信

息。2）部分基本面因子在财报真空期值不变，而标签Y却每天有变动。3）

基本面因子数量相较于量价因子偏少。

➢端到端的分支网络结合量价与基本面更具优势。前文我们用全连接神经网络

分别结合了量价与基本面因子，但如何进一步将量价因子与基本面因子相结

合是我们关心的另一方面。我们从基础的线性结合方式入手，尝试等权结合

与ICIR加权结合前文神经网络拟合的量价与基本面因子，结果表明线性结

合的因子较难战胜纯量价因子。5日纯量价因子的RankIC为12.39%，纯基

本面因子RankIC为7.32%，等权因子RankIC为11.64%，ICIR加权因子

RankIC为12.37%。因此我们更进一步，采用分支网络端到端计算量价与基

本面的子因子合成，以及量价与基本面因子的权重生成。结果显示，5日分

支网络合成因子RankIC为12.9%，相较于原始量价因子提升0.51pct，多头

超额年化收益为10.85%，提升2.54pct，多空超额年化收益为132.21%，提

升9.77pct。在20日的维度同样也优于其他合成方式。

➢基于长短期收益预测的混频组合。5日因子对短期收益的预测效果更好，