深度学习在多因子选股交易中的应用研究 .pdfVIP

深度学习在多因子选股交易中的应用研究--第1页

深度学习在多因子选股交易中的应用研究

股票的价格受多种因子影响,找到并利用这些因子进行股票选择及投资策略制

,

定,逐渐成为金融投资领域中的热点问题。但是从1990年创立以来我国A股市场已

经积累了海量的股票收益率数据及影响因子数据,难以人为进行选择处理,因此需要

借助深度学习模型分析海量因子数据信息,深度挖掘股票收益率与影响因子之间线性

和非线性关系,并基于分析结果构建选股交易策略,从而指导投资实践。本文首先从

,

公司价值指标、技术指标和投资者情绪指标三个方面,界定170个明细指标进而利

用GBD模型进行单因子选股回测，发现只有23个因子选择的股票产生大于零的收

益。基于年化收益率、夏普比率等衡量指标对影响因子进行初步筛选,构建备选因

子组合,并利用IC值分析方法进行因子筛选,最终构建了包括流通市值在内的19

个因子形成多因子组合。

,,,

结合GBDT模型进行半年期回测交易最终获得9.58%的年化收益率高于同期

沪深300指数收益,以及用于比照的六因子组合和八因子组合收益,且选股效果要

优于随机森林模型。但是,单模型选股策略存在收益波动率较大、夏普比率偏低等问

,,

题。其次为解决模型预测准确性缺乏的问题利用LSTM莫型对GBDT模型筛选出的

股票池进行深度挖掘,判断股票上涨的可能性。基于双模型多因子选股策略,在半年

期的选股交易中,获得31.4%的年化收益率,夏普比率为0.95。

,,

说明参加LSTM莫型后预测准确性大幅提高股票收益率得到较大提升。但是,

该策略也存在最大回撤值增加,策略风险上升的问题。最后,为降低策略风险,同时

考虑到股票收益率与大盘指数之间呈现正相关关系,当大盘指数下跌时股票收益率有

较大可能出现下跌的情形。因此,制定大盘风控策略,从而形成基于“多

因子体系构建-股票池筛选-组合预测-风险控制〞思想的完整选股交易流程。

在实证研究中丄STM对沪深300指数收益率的预测效果较好。在半年期的回

测中,策略的年化收益率为30.40%,夏普比率上升到1.01,在策略收益和风险补偿

方面得到较大提升,整体效果优于跟踪止损策略。

深度学习在多因子选股交易中的应用研究--第1页