选股因子系列研究(九十三)：深度学习因子的“模型动物园”.pdfVIP

[Table_MainInfo]金融工程研究证券研究报告

金融工程专题报告2024年1月26日

[Table_Title]选股因子系列研究（九十三）——深度学习

相关研究

[Table_ReportInfo]

《选股因子系列研究（八十六）——深度

学习高频因子的特征工程》2023.01.24因子的“模型动物园”

《选股因子系列研究（八十七）——高频[Table_Summary]

与日度量价数据混合的深度学习因子》投资要点：

2023.05.13

《选股因子系列研究（八十八）——多颗

粒度特征的深度学习模型：探索和对比》在系列前期报告中，我们基于不同颗粒度的特征，使用RNN类模型训练得到深度

2023.09.11

学习因子。本文在此基础上，对比和讨论不同类别深度学习模型训练得到的因子的

周度选股能力，并对于多模型集成因子的效果进行测试与分析。

卷积类模型呈现出显著的周度选股能力。其中，TCN类模型表现较优，因子周均

[Table_AuthorInfo]RankIC和极值组合超额收益与BiAGRU模型接近。BiATCN周均RankIC为

0.137，Top10%组合年化超额收益33.8%。

Transformer类模型呈现出显著的周度选股能力，但略弱于BiAGRU模型。其中，

Transformer表现最优，Informer次之，PatchTST相对较弱。Transformer模型

周均RankIC为0.129，Top10%组合年化超额收益30.6%。

线性类模型呈现出显著的周度选股能力，但明显弱于BiAGRU模型。其中，

TSMixer表现最优，DLinear和RMLP次之，RLinear相对较弱。TSMixer周均

分析师:冯佳睿RankIC为0.12，Top10%组合年化超额收益26.8%。此外，在引入DLinear对

输入特征的进行处理后，DBiAGRU的极值组合超额收益小幅提升。

Tel:(021

Email:fengjr@

多模型集成。不同模型训练得到的因子之间虽然存在较高的截面相关性，但极值

证书:S0850512080006

组合的历年多头超额收益依旧有一定的差异，尤其是对比BiAGRU和其余模型。

分析师:袁林青通过简单的分析可知，不同模型对量价信息的学习和调整速度并不一致，使得它

Tel:(021们在特定时段的表现出现分化。由于模型的网络结构、超参数选择等因素皆会影

Email:ylq9619@响模型对量价信息的学习和调整，我们尝试将不同网络训练得到的因子等权集

证书:S0850516050003成，希望获得更稳健的因子表现。

集成模型表现更优。BiAGRU模型叠加BiATCN或Transformer后，因子表现进

一步提升。周均RankIC在0.14以上，Top10%组合和Top100组合的年化超额