基于深度学习的股价预测与因子挖掘框架.docxVIP

基于深度学习的股价预测与因子挖掘框架

一、研究背景与问题提出

（一）传统量化投资框架的发展瓶颈

量化投资的核心逻辑是通过挖掘股价变动的驱动因子，构建收益预测模型，进而生成投资决策。自经典的多因子模型提出以来，人工构建的价值、成长、动量、波动率等因子成为量化投资的核心工具，这类线性模型因逻辑清晰、可解释性强而被广泛应用。但随着市场有效性的逐步提升和投资者结构的变化，传统框架的局限性不断显现：一方面，线性模型只能捕捉因子与股价之间的线性关联，无法解释市场中大量存在的非线性联动现象，比如当市场情绪处于极端状态时，估值因子与收益的相关性会出现阶段性反转，传统模型很难提前识别这类规律（FamaFrench，2015）。另一方面，传统因子挖掘高度依赖研究人员的经验积累，不仅效率低下，还容易出现因子同质化问题，导致超额收益的衰减速度不断加快。有针对A股市场的研究显示，常用量价因子的有效期已经从早些年的三到五年缩短至近一年以内，依赖人工挖掘的模式已经难以适配快速变化的市场环境（张峥等，2020）。

（二）深度学习在金融时间序列领域的应用演进

深度学习技术的快速发展为解决传统量化框架的瓶颈提供了新的思路。作为机器学习的分支，深度学习擅长从高维、非线性的数据中自动提取特征，正好适配金融市场数据量大、关系复杂的特点。从应用历程来看，最早被用于股价预测的是浅层神经网络，但其拟合能力有限，容易出现过拟合