因子选股系列分析报告：Neural ODE，时序动力系统重构下深度学习因子挖掘模型.pdf

金融工程|专题报告

NeuralODE：时序动力系统重构下深度学报告发布日期2025年05月27日

习因子挖掘模型

——因子选股系列之一一六

研究结论

金融数据常因停牌、财报发布和突发事件等因素存在缺失、噪声及异常等问题，这

些问题通常会影响模型稳定性以及样本外的泛化能力。本文提出一种RNN+Neural

ODE+MLP融合模型，将时序数据建模为微分动力系统，然后进行数据重构和特征提取，

从而提升模型样本外的选股鲁棒性。整个模型由以下部分构成：

⚫通过RNN和NeuralODE模型构建变分自编码层（VAE层），利用RNN进行时序

数据的压缩和降维，再将神经微分方程（NeuralODE）学习时序数据隐含的时序演ADWM：基于门控机制的自适应动态因子2025-04-10

化规律，将数据进行去噪和重构。加权模型：——因子选股系列之一一二

ABCM：基于神经网络的alpha因子和beta2024-12-03

⚫最后我们将重构去噪后的数据输入MLP层进行alpha信息的捕捉和挖掘，从而对未因子协同挖掘模型：——因子选股系列之

来收益率标签进行拟合。一一〇

模型因子对比自适应时空图网络周频alpha模型：——2024-02-28

因子选股系列之一〇一

通过将Baseline模型和新模型因子多头绩效的对比，我们得到以下结论：

⚫相较于Baseline模型，除2020年和今年，其余各年份Model1因子的多头超额均能

大幅跑赢。而分组超额来看，Model1的Top组和Grp1组超额相较于Baseline模型

分别提升了1.91%和3.07%，说明新模型相对于Baseline能大幅改善多头的表现。

⚫在2024年出现较为极端的市场环境下，Model1因子多头超额相较于Baseline模型

提升了6.63%，最大回撤也有所下降，说明Model1抗风险能力相对更强。

⚫在各个回测区间，Model1因子的多头组合换手率相较于Baseline均有一定程度的下

降。这意味着实盘可能有更高的交易成本优势。

⚫Baseline模型和Model1模型多头超额净值走势趋同度较高，各年度的最大回撤区间

基本上重合，说明各类模型从相同量价特征中提取的alpha信息一致性相对较高。

因子选股能力和行业轮动能力的表现

⚫新模型2018年以来在中证全指上十日RankIC均值为16.33%，top组年化超额分别

为54.54%。相较于基准，新模型选股效果均有明显提升。行业轮动方面，2018年

以来，新模型RankIC可达12.55%，Top组年化超额可达25.27%，各项指标表现也

是显著战胜基准。

⚫本文生成因子也可以直接应用于指数增强策略，在各宽基指数上均能获得显著的超

额收益，在成分股不低于80%限制、周单边换手率为20%约束下，在沪深300、中

证500和中证1000增强策略上2018年以来新模型年化超额收益率分别为16.67%，

21.37%和32.41%，超额的夏普比率分别为3.14、3.21、4.37。

风险提示

⚫量化模型失效

⚫极端市场造成冲击，导致亏损

金融工程|专题报告——NeuralODE：时序动力系统重构下深度学习因子挖掘模型

目录

引言4

一、新模型细节介绍5

1.1神经网络与微分方程的联系5

1.2神经微分方程模