网站大量收购闲置独家精品文档,联系QQ:2885784924

人工智能和机器学习系列研究(1):多模型、多数据、多跨度融合的深度学习GRU因子-西部证券.docxVIP

人工智能和机器学习系列研究(1):多模型、多数据、多跨度融合的深度学习GRU因子-西部证券.docx

  1. 1、本文档共49页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多

1|请务必仔细阅读报告尾部的投资评级说明和声明

金工量化专题报告

多模型、多数据、多跨度融合的深度学习GRU因子

人工智能和机器学习系列研究(1)

核心结论

证券研究报告

2024年07月02日

分析师冯佳睿S0800524040008

分析师

冯佳睿S0800524040008

fengjiarui@

联系人

王治舜

wangzhishun@

相关研究

多模型融合提升预测准确性。GRU模型具备很强的处理数据中长期依赖关系的能力,故被广泛应用于时间序列的预测。进一步引入双层GRU、CNN-GRU和Attention-GRU等变体后,我们能更全面地捕捉数据中的信息,从而提高预测精度。其中,双层GRU可以增加网络深度、CNN-GRU则利用了卷积神经网络的局部特征提取能力,Attention-GRU通过自注意力机制缓解了信息遗忘问题。多模型的融合,有望使最终的预测结果变得更加稳定和准确。

多类型数据融合拓宽信息来源。资金流数据追踪资金在市场中的流动,是反映市场情绪的重要指标。分钟频数据提供细粒度的价格和交易量变化,是投资者行为的直接体现。衍生高频因子通过加工价量数据,多角度刻画市场的微观结构。多类型数据的融合,拓宽了模型的数据来源,试图纳入更加全面的市场信息。

多时间跨度增强模型的鲁棒性。输入特征的时间跨度不仅在一定程度上决定着模型的风格偏好,而且也是灵敏性和鲁棒性的取舍。回测发现,用1、2、3年的数据作为模型输入,所得因子的相关性不到0.5。多时间跨度的融合,或可捕捉短、中、长期的市场规律,增强模型对不同市场周期的适应能力。

将数据类型、模型形式和时间跨度下的因子等权集成,得到最终的融合因子。其10日RankIC为0.131,ICIR为1.216,IC0比率为89.8%,这些指标与10分组单调性均优于按单一模型、单一数据和单一跨度的集成因子。

将多模型、多数据、多跨度融合的深度学习GRU因子用于收益预测,以最大化预期收益为目标函数,求解带约束的优化问题,得到不同指数的增强组合。2014.12-2024.05,沪深300指数增强组合年化超额收益为12.9%,跟踪误差为5.0%;中证500指数增强组合年化超额收益为15.2%,跟踪误差为5.5%;中证1000指数增强组合年化超额收益为21.7%,跟踪误差为6.4%。

简单的回测表明,至少在24年上半年,严格控制风险因子的暴露,仍可通过深度学习因子收获一定幅度的超额收益。2024年上半年,市场波动较大,小市值风格的回撤尤为明显,融合因子表现平平。尤其是2024年2月,各成分股内,因子的RankIC和多空收益都显著为负。我们认为,深度学习类因子的alpha或依然存在,但其在某些风格因子上的beta风险才是决定性的。

风险提示:模型失效风险,市场风格变化风险,数据测算误差风险。

金工量化专题报告西部证券2024年07月02日

金工量化专题报告

2|请务必仔细阅读报告尾部的投资评级说明和声明

索引

内容目录

一、引言 4

二、深度学习模型简介 4

三、GRU因子的构建与融合 5

3.1资金流GRU因子 6

3.1.1资金流类因子 6

3.1.2资金流GRU因子及其集成 7

3.2分钟频GRU因子 9

3.3衍生高频GRU因子 11

3.3.1衍生高频因子 11

3.3.2衍生高频GRU因子及其集成 13

3.4多模型与多数据的融合 15

四、指数增强组合 18

4.1沪深300指数增强 18

4.2中证500指数增强 19

4.3中证1000指数增强 20

五、2024年融合因子表现回顾 21

六、总结与讨论 23

七、风险提示 24

图表目录

图1:GRU系列模型池 5

图2:资金流GRU因子各期及累计RankIC 8

图3:资金流GRU因子与Barra因子相关性1 8

图4:资金流GRU因子与Barra因子相关性2 8

图5:分钟频GRU因子各期及累计RankIC 10

图6:分钟频GRU因子与Barra因子相关性1 11

图7:分钟频

文档评论(0)

4A方案 + 关注
实名认证
服务提供商

擅长策划,|商业地产|住房地产|暖场活动|美陈|圈层活动|嘉年华|市集|生活节|文化节|团建拓展|客户答谢会

1亿VIP精品文档

相关文档