因子选股系列之一一六：NeuralODE，时序动力系统重构下深度学习因子挖掘模型.docx

本证券研究报告有关分析师的申明，见本报告最后部分。其他重要信息披露

本证券研究报告

有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读 最后一页的免责申明。

目录

引言 4

一、新模型细节介绍 5

神经网络与微分方程的联系 5

神经微分方程模型 7

本文模型结构和损失函数 8

新模型重构数据表现 9

二、模型生成因子表现分析 10

回测说明 10

因子中证全指绩效分析 11

因子与各风格因子相关性分析 13

三、周频行业轮动绩效分析 13

四、Top与指数增强组合表现 14

组合构建说明 14

Top组合业绩 15

沪深300指数增强 16

中证500指数增强 17

4.5中证1000指数增强 18

五、结论 19

风险提示 20

参考文献 20

图表目录

图1：alpha因子端到端AI量价模型框架 4

图2：综合因子形成过程 4

图3：残差网络模型结构示意图 5

图4：各模型优缺点对比 8

图5：模型结构示意图 8

图6：模型重构损失表现 10

图7：隐藏层特征样本外解释力度 10

图8：各模型生成因子汇总表现（回测期20250430） 11

图9：因子分组超额表现 11

图10：各模型多头超额分年度超额表现（回测期20250430） 12

图11：多头超额净值走势（回测期20250430） 12

图12：与各个风格因子平均相关性 13

图13：各模型行业轮动汇总表现（回测区间20250430） 13

图14：各模型Top组行业超额走势（回测区间20250430） 14

图15：Top组合绝对收益汇总表现20250430） 15

图16：Top组合绝对收益分年度表现20250430） 15

图17：Model1的Top组合绝对收益净值走势（回测区间20250430） 15

图18：Model2的Top组合绝对收益净值走势（回测区间20250430） 15

图19：沪深300指增组合汇总表现20250430） 16

图20：沪深300指增组合分年度超额收益率20250430） 16

图21：Model4沪深300组合净值20250430） 16

图22：Model5沪深300组合净值20250430） 16

图23：中证500指增组合汇总表现20250430） 17

图24：中证500指增组合分年度超额收益率20250430） 17

图25：Model4中证500组合净值20250430） 17

图26：Model5中证500组合净值20250430） 17

图27：中证1000指增组合汇总表现20250430） 18

图28：中证1000指增组合分年度超额收益率20250430） 18

图29：Model4中证1000组合净值20250430） 18

本证券研究报告有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读 最后一页的免责申明。图30：Model5中证1000组合净值（

本证券研究报告

有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读 最后一页的免责申明。

引言

在量化金融领域，随着大数据技术的飞速发展，深度学习模型凭借其强大的数据处理和模式识别能力，在量化投资中展现出巨大潜力。

前期报告《基于循环神经网络的多频率因子挖掘》、《基于残差网络端到端因子挖掘模型》、

《融合基本面信息的ASTGNN因子挖掘模型》和《基于神经网络的alpha和beta因子协同挖掘模型》中，我们利用了带图结构的循环神经网络（RNNASTGNN）、残差网络（ResNets）和决策树模型等搭建了端到端AI量价选股模型框架，这套框架的输入是个股不同频率最原始的高开低收量价数据以及一些常见的基本面数据等，而最终的输出则是具有较强选股能力的alpha因子和风险因子。其中alpha因子用于构建个股未来收益率预期值，而风险因子主要用