深度学习如何提升手工量价因子表现：利用深度学习解释现有手工选股因子残差方案与实践.docxVIP

请务必阅读正文之后的免责条款部分目录

请务必阅读正文之后的免责条款部分

深度学习模型在因子构建中的应用 3

解释手工因子残差的深度因子构建与市场表现 3

深度因子的单因子表现 4

深度因子在组合中的表现 5

解释手工因子残差的深度因子对于多粒度因子的提升 8

正交多粒度因子后的解释手工因子残差的深度因子表现 8

深度因子与多粒度因子复合因子组合表现 9

4. 总结 12

风险提示 12

深度学习模型在因子构建中的应用

目前，深度学习模型已经广泛的应用到多因子选股过程当中，而其中最

为常规的做法是将所有参与选股的手工因子作为深度模型输入，通过深度学习直接获得预期收益向量，并以该预期收益向量构建多因子组合。

显然，从挖掘数据选股信息角度来说，这种方式可以最大限度的利用深度模型的拟合能力，提取出手工因子的有效选股信息。然而，由于深度模型具有黑盒的特性，我们无法对于输入的手工因子进行人为的权重调整。深度学习模型得到的因子权重完全由历史数据学习得到，当市场风格出现历史数据中没有出现的变动时，或者我们需要对于组合风格进行人为控制时，这样的组合构建方式很难让我们达到预期的权重调整效果。

为了最大限度利用深度学习模型的拟合能力，同时保留我们对于不同输入手工因子的权重手工调整可能性，我们尝试一种新的深度学习因子构建方式，即：

在模型输出层前，加入复杂的正交层，其中包含我们构建组合时需要使用的手工选股因子。

通过正交层，使得深度因子与我们需要使用的手工选股因子线性无关。

因子使用时，将添加正交层的深度因子与手工因子一起利用传统的线性方法，如因子动量计算股票预期收益，从而构建因子组合。

这样的构建方法，本质上相当于利用深度学习模型强大的拟合能力，为我们在手工因子无法解释的残差部分，进一步提取有效选股信息，其与传统方式差别如下图：

手工高手工日 频量价频量价基本面数据图1：传统深度学习因子模型 图2：解释手工因子残差的

手工高

手工日 频量价频量价

基本面数据

手工高频量价

手工高频量价

手工日频量价

手工因子 正交后的深度因子

股票预期收益

基本面数据

带正交的深度因子训练 计算预期收益 多因子模型

深度学习因子|预期收益

数据来源：国泰海通证券研究 数据来源：国泰海通证券研究

解释手工因子残差的深度因子构建与市场表现

基于上述深度学习因子构建方法调整，我们尝试构建了解释手工低频

量价因子残差的深度因子，以及解释手工高频因子残差的深度因子两类因子。

其中，低频深度因子的构建方式如下：

输入数据：日度高开低收收益率，日度换手，日度反转，日度非流动性，日度特质波动动，日度市值，日度非线性市值，日度PB等

深度模型：LSTM

数据长度：1个季度

正交层因子：市值，非线性市值，估值，换手率，特质波动，反转，非流动性。

Loss函数：IC、RankMAE（只对收益率取Rank）

训练周期：季度

训练数据：13个季度（训练集12个季度，测试集1个季度）其中，高频深度因子的构建方式如下：

输入数据：30分钟高频偏度，30分钟下行波动占比，30分钟买入意愿，30分钟买入意愿强度，30分钟大|中|小单净买入占比，30分钟大|中|小单净买入强度，30分钟成交占比，30分钟平均单笔流出金额，30分钟大单推动涨幅等

请务必阅读正文之后的免责条款部分深度模型：LSTM

请务必阅读正文之后的免责条款部分

数据长度：20个交易日*830分钟

正交层因子：市值，非线性市值，估值，换手率，特质波动，反转，非流动性，大单净买入占比，尾盘成交占比，买入意愿强度。

Loss函数：IC、RankMAE（只对收益率取Rank）

训练周期：周度

训练用数据：过去24个周（训练集20个周，测试集1个周）

深度因子的单因子表现

我们考察深度的单因子表现，如下表：表1深度因子单因子表现（2017.01-2025.04）

IC

IC_IR

RankMAE

RankMAE

波动

多头收益

多头胜率

多空收益

多空胜率

市值平方

0.018

2.279

1.130

0.057

0.08%

48.4%

0.18%

56.6%

基本面复合

0.018

2.425

1.128

0.044

0.15%

55.6%

0.40%

64.3%

分红

0.004

0.621

1.147

0.038

0.07%

51.2%

0.10%

55.4%

日频手工量价

0.044

4.060

1.086

0.053

0.18%

60.8%

1.11%

71.4%

高频手工量价

0.037

6.874

1.120

0.030

0.27%

68.5%

0.80%

80.8%

高频深度（IC）

0.026

8.872

1.131

0.