深度学习揭秘系列之二：涵盖价量与基本面因子的多模型结合神经网络.docx

目录

深度学习揭秘系列之二：涵盖价量与基本面因子的多模型结合神经网络 5

一、因子集、预处理与组合构建方式 6

、量价因子数据集 6

、基本面因子数据集 8

、数据预处理与网络参数设置 10

、训练集、验证集与测试集的数据处理 10

、全A选股组合回测参数与方式 11

、路径依赖与路径合并 11

二、3种中性化收益率建模方式对比 12

、量价因子：以原始值建模IC与收益有损，但组合风险端更佳 13

、基本面因子：中性化处理的必要性 15

、再谈量价与基本面结合 17

三、时序神经网络的应用与参数探秘 20

3.1、MLPVsRNNVsGRU——量价因子 20

3.1、RNN与GRU——行情数据 24

四、低频量价+高频量价+基本面因子+行情的多模型组合 28

、四分支多模型神经网络 28

、预测区间与调仓频率的关系 31

、深度学习行业轮动组合 35

、中证1000指增组合 36

风险因素 38

表目录

表1：Alpha158因子列表 6

表2：基本面因子列表 8

表3：输入与输出处理方式及对应编号 12

表4：不同输入与输出处理方式下，量价因子预测值RankIC均值与ICIR 13

表5：不同输入与输出处理方式下，量价因子组合多头超额收益与风险 14

表6：不同输入与输出处理方式下，基本面因子预测值RankIC均值与ICIR 16

表7：不同输入与输出处理方式下，基本面因子组合多头超额收益与风险 16

表8：叠加基本面因子组合与纯量价组合的IC统计 19

表9：叠加基本面因子组合与纯量价组合的多头超额绩效指标 19

表10：MLP模型不同神经元数量下量价因子RankIC均值 20

表11：MLP模型不同神经元数量下量价因子多头超额收益 20

表12：RNN与GRU不同参数设置下量价因子RankIC均值 21

表13：RNN与GRU不同参数设置下量价因子多头超额收益 21

表14：RNN与GRU不同参数设置下单日量价因子RankIC均值 22

表15：RNN与GRU不同参数设置下单日量价因子多头超额收益 22

表16：RNN与GRU不同参数设置下单日量价因子+MLP窗口期量价因子RankIC均值 23

表17：RNN与GRU不同参数设置下单日量价因子+MLP窗口期量价因子多头超额收益 24

表18：RNN与GRU不同参数设置下原始行情数据RankIC均值 25

表19：RNN与GRU不同参数设置下原始行情数据多头超额收益 26

表20：原始行情GRU中性化因子的IC统计 26

表21：原始行情GRU中性化组合多头超额绩效指标 27

表22：5日合成因子IC统计 29

表23：5日合成因子组合多头超额绩效指标 29

表24：20日合成因子IC统计 30

表25：20日合成因子组合多头超额绩效指标 30

表26：不同预测区间与调仓频率下日均RankIC 31

表27：不同预测区间与调仓频率下日均多头超额收益 31

表28：不同预测区间与调仓频率下费后多头超额收益 31

表29：不同预测区间与调仓频率下单边年化换手率 31

表30：不同预测区间下因子相关性 32

表31：混频因子5日IC统计 33

表32：混频因子5日调仓组合多头超额绩效指标 33

表33：混频因子20日IC统计 34

表34：混频因子20日调仓组合多头超额绩效指标 34

表35：行业轮动组合多头超额收益风险特征指标 35

表36：行业轮动组合多空超额收益风险特征指标 35

表37：中证1000指增组合多头收益风险特征指标 37

表38：中证1000指增组合超额收益风险特征指标 37

图目录

图1：预测未来5个交易日的均价收益率时，数据划分示意图 11

图2：回测路径合并方式示意图 11

图3：全连接神经网络——Alpha158 13

图4：全连接神经网络——基本面因子 15

图5：全连接分支神经网络——Alpha158+基本面 18

图6：叠加基本面因子组合相对纯量价组合RankIC超额 19

图7：叠加基本面因子的组合相对纯量价组合超额收益 19

图8：原始量价因子+中性化基本面因子组合多头净值与多头超额净值 19

图9：时序神经网络+全连接神经网络——Alpha158 23

图10：时序神经网络+市值中性化——原始行情数据 25

图11：原始行情GRU中