本报告提出了一种基于深度学习模型对基本面多因子选股模型进行增强的新方法。基本面模型通过盈利、成长和估值三大指标筛选股票,深度学习模型则构建了包含156个特征的七层深层神经网络预测股票未来走势概率。通过两步筛选法,首先基于宽松的基本面条件选出初选股票池,再用深度学习模型对其进行筛选,构建增强模型组合。实证结果显示,增强模型年化收益率显著提升至28.58%,超额收益夏普比率达到1.52,年化换手率控制在9倍左右,表现优于单一基本面模型、深度学习模型及因子加权模型,且在不同基准与交易成本下均具稳健性
基本面模型基于盈利(ROE、毛利率)、成长(营业收入同比增长率、资产同比增长率)和估值(市现率倒数)三类因子构建,筛选出持股数量中位数为76只的股票组合,年化收益率为18.12%,较基准中证800超额14.07%
深度学习模型采用7层深层神经网络,输入156个股票特征涵盖传统选股因子、价量指标及行业哑变量,输出股票未来涨跌平概率,打分为上涨概率减去下跌概率。该模型每半年滚动更新,持股数量中位数为75只,年化收益率为24.70%,相较基准超额20.65%
两种模型相关性较低:深度学习模型与基本面因子相关系数均值在[-0.05, +0.05],股票分组多头部分重合度约为10%,且深度学习模型选股能力经基本面因子中性化后变化不大,显示两者选股逻辑和信息来源存在显著差异,利于组合互补提升
因子IC加权模型将基本面因子和深度学习因子按过去120日IC均值加权组合,持股中位数78只,年化收益率24.62%、超额收益20.69%,表现类似深度学习模型,优于基本面模型
增强模型采用两步筛选法:先基于放宽条件的基本面因子筛选出高质量初选股票池(持股中位数248只),再根据深度学习模型分组选择评分最高组股票,持股中位数约83只,兼顾基本面质量与技术面短期机会
在双边千分之三交易费率下,增强模型年化收益率28.58%、年化超额24.29%,超越基准、中证800基本面模型、深度学习模型和IC加权模型,夏普比率1.52,换手率约8.83倍,介于基本面模型和深度学习模型之间,表现优异且换手率可控
交易成本上升至千分之五时,增强模型延续优异表现,年化收益率为25.22%、年化超额收益21.00%,优于各基线模型,显示更低换手率优势减少费用侵蚀
在沪深300指数基准下,增强模型年化收益率达到27.58%,超额收益22.23%,优于其他模型,且在11年回测期有9年表现提升,表现稳健
深度学习分组数调整(n=3,4,5)对最终回测指标影响有限,持股数量随分组数增加略减,换手率小幅提升,年化收益与超额收益均明显优于基本面和IC加权模型,显示参数稳健性
| 分组数 | 持仓股票数量中位数(只) | 年化超额收益率 | 年化收益率 | 年化换手率倍数 |
|---|---|---|---|---|
| 3 | 83 | 24.29% | 28.58% | 8.83 |
| 4 | 62 | 22.81% | 27.03% | 9.44 |
| 5 | 50 | 23.42% | 27.60% | 9.80 |
核心论点:报告系统构建并测试了一种基于传统基本面多因子模型(盈利、成长、估值因子)并通过深度学习模型进行增强的选股策略。研究发现此“增强模型”在保持较低年化换手率的同时,显著提升了组合回报率与超额收益,尤其在中证800和沪深300基准下均取得优异表现。
报告提供完整回测数据、模型结构说明、组合策略设计及参数敏感性分析,结论明确推荐基于深度学习增强基本面因子模型的投资策略,具备较高的收益/风险比与较强的抗交易成本能力。,3,6]
报告首先介绍了基本面投资(关注企业盈利能力及成长)和技术面投资(价量、舆情等高频信息)的各自特征与差异。基本面因子更新慢、换手率低,符合公募偏好;技术面或量化策略高频更新,换手率高但潜在回报强。
逻辑:结合两者信息来源差异,融合基本面与技术面因子(尤其深度学习模型提取的技术面特征)有望提升组合绩效,降低单一模型的换手率限制,扩大容量。
回测参数严谨,月度调仓,行业市值权重匹配基准,交易成本0.3%。
表现:回测2011-2021年3月基准为中证800,基本面组合年化收益18.12%,相对中证800年化超额14.07%。净值曲线稳定攀升,体现基本面模型的稳健性。
表现:
显示深度学习模型通过捕捉价格与成交量的高频技术特征,实现了更强的短期选股能力。
结论:两模型基于不同信息源,可组合构建以综合捕获中长期和短期alpha。
说明简易加权提升策略表现但仍有优化空间。
该两步分层筛选方式旨在充分发挥基本面因子选股的中长期优势,同时退避深度学习模型相对较高换手率的缺点。
分年度结果显示增强模型在大多数年度(中证800下8年,沪深300下9年)相对基本面模型提升显著,且风险调整后收益更优。
本报告未采取DCF或传统估值法,而是通过年度收益率、IC、换手率等量化指标对模型“价值”进行评价。
整体来看增强模型达到收益增长和换手率控制的合理平衡,反映了其优良的策略估值。
本报告深入探讨了如何利用深度学习技术提升基于经典基本面因子的多因子选股模型。通过结构化回测和多维度指标比较,得出以下关键结论:
图表数据完备详实,清晰展示了模型设计、回测表现与收益比较,为深度学习在量化基本面投资中的应用提供了实践范例和方法论支持,对量化策略设计及投资运营具有重要参考价值。
总评:报告严谨系统,从模型构建、回测设计、数据分析到风险警示均全面到位,凸显深度学习技术对传统选股模型的显著增强作用。为投资者和量化研究人员整合两类模型、提升收益率同时控制换手率提出了切实可行的解决方案。
(全文结论及图表均基于广发证券发展研究中心报告原文,数据与观点均有明确溯源,详见正文页码标注)
20210607-广发证券-深度学习研究报告之八:基本面因子模型的深度学习增强 - 道客巴巴.pdf