本报告基于深度学习架构构建高频选股因子,系统回顾了九种模型改进尝试。结果显示,引入正交层控制因子相关性、压缩输入特征集合、采用截面标准化、缩短验证集长度及调整预测目标为风险调整超额收益,均可提升因子周度选股能力及组合超额收益;高频特征频率提升、简单环境变量引入、延长训练集和提升模型复杂度效果有限或无提升。相关测试基于中证500增强组合和全市场选股验证,回测周期涵盖2014至2022年,体现了深度学习高频因子的稳定性与实用性 。
| 输入特征 | IC均值 | 年化ICIR | 周度胜率 | 周均多空收益 | 周均多头超额 | 周均空头超额 |
|---|---|---|---|---|---|---|
| 压缩前 | 0.078 | 9.00 | 91% | 1.46% | 0.47% | 0.99% |
| 压缩后 | 0.080 | 9.36 | 92% | 1.53% | 0.49% | 1.04% |
| 处理方式 | IC均值 | 年化ICIR | 周度胜率 | 周均多空收益 | 周均多头超额 | 周均空头超额 |
|---|---|---|---|---|---|---|
| 原始特征 | 0.057 | 6.88 | 85% | 1.04% | 0.27% | 0.77% |
| 时间序列标准化 | 0.023 | 3.59 | 72% | 0.45% | 0.18% | 0.27% |
| 截面标准化 | 0.080 | 9.36 | 92% | 1.53% | 0.49% | 1.04% |
| 特征频率 | IC均值 | 年化ICIR | 周度胜率 | 周均多空收益 | 周均多头超额 | 周均空头超额 |
|---|---|---|---|---|---|---|
| 10分钟 | 0.071 | 8.97 | 92% | 1.33% | 0.39% | 0.94% |
| 30分钟 | 0.080 | 9.36 | 92% | 1.53% | 0.49% | 1.04% |
| 模型划分 | IC均值 | 年化ICIR | 周度胜率 | 周均多空收益 | 周均多头超额 | 周均空头超额 |
|---|---|---|---|---|---|---|
| 100/20模型 | 0.080 | 9.36 | 92% | 1.53% | 0.49% | 1.04% |
| 115/5模型 | 0.083 | 9.68 | 93% | 1.61% | 0.54% | 1.06% |
| 条件 | IC均值 | 年化ICIR | 周度胜率 | 周均多空收益 | 周均多头超额 | 周均空头超额 |
|---|---|---|---|---|---|---|
| 无环境变量 | 0.083 | 9.68 | 93% | 1.61% | 0.54% | 1.06% |
| 添加环境变量 | 0.078 | 9.32 | 91% | 1.44% | 0.51% | 0.94% |
| 预测目标 | IC均值 | 年化ICIR | 周度胜率 | 周均多空收益 | 周均多头超额 | 周均空头超额 |
|---|---|---|---|---|---|---|
| 预测超额收益 | 0.083 | 9.68 | 93% | 1.61% | 0.54% | 1.06% |
| 预测风险调整后 | 0.081 | 9.42 | 91% | 1.54% | 0.60% | 0.94% |
| 训练集长度 | IC均值 | 年化ICIR | 周度胜率 | 周均多空收益 | 周均多头超额 | 周均空头超额 |
|---|---|---|---|---|---|---|
| 120交易日滚动 | 0.080 | 9.25 | 90% | 1.55% | 0.58% | 0.97% |
| 240交易日滚动 | 0.091 | 10.45 | 94% | 1.75% | 0.60% | 1.14% |
| 模型配置 | IC均值 | 年化ICIR | 周度胜率 | 周均多空收益 | 周均多头超额 | 周均空头超额 |
|---|---|---|---|---|---|---|
| GRU(50,2)/120日 | 0.080 | 9.25 | 90% | 1.55% | 0.58% | 0.97% |
| GRU(50,2)/240日 | 0.091 | 10.45 | 94% | 1.75% | 0.60% | 1.14% |
| GRU(100,2)/240日 | 0.089 | 10.33 | 94% | 1.70% | 0.61% | 1.10% |
| GRU(50,3)/240日 | 0.089 | 10.21 | 93% | 1.71% | 0.61% | 1.10% |
| GRU(100,3)/240日 | 0.088 | 10.33 | 94% | 1.70% | 0.61% | 1.09% |
报告标题:
选股因子系列研究(七十七)——改进深度学习高频因子的9个尝试
分析师及发布机构:
发布日期及研究主题:
核心论点与目标信息:
该报告是海通证券针对其深度学习高频因子系列的延续研究,重点在于基于实证反馈,从九个维度对原有的深度学习高频因子训练模型进行系统尝试改进。
核心结论为:经过实证测试,部分改进措施能显著提升模型的周度选股能力和组合的超额收益;而部分尝试未带来预期改善,提示模型构建的复杂性与输入数据特性之间的平衡问题。
报告整体对于风险控制亦有关注,指出市场系统性风险、流动性及政策变化三大风险因素可能影响策略实现。
报告从理论与实证角度,分别展开9个独立尝试的测试分析。整体评价是部分尝试能提升模型效果,强调深度学习模型试错成本高,所有尝试均有公开以供交流。
结论: 建议在模型训练流程中加入正交层控制因子相关性,有助增强因子稳定性和组合增益。
结论: 冗余信息会干扰模型训练与因子表现,适当输入特征筛选压缩是推荐做法,但筛选标准需进一步研究完善。
结论: 对于依赖截面强度的选股模型,推荐先做横截面标准化处理。
结论: 目前不建议简单引入环境变量,需更多复杂方法改进才能有效提升模型适应性。
结论: 风险调整的目标函数有助于提高多头选股能力,建议此调整。
结论: 延长训练集可提升模型的单因子性能,但加入实盘组合后效果不稳定,是否延长训练期需依据具体应用场景权衡。
所有图表均由Wind及海通证券研究所提供,数据充分,具有合理的时间截面和多年份验证,支持结论广泛可信。
本报告核心为因子研发与选股策略,不涉及传统个股估值分析,因此未设置DCF、市盈率等估值模型章节。组合增量测试等为策略效果验证,是策略表现和因子价值的实证体现。
报告未详列具体缓解措施,但高频因子构建考虑换手约束、行业及风格中性风险控制,体现一定风险管理框架。
本报告基于海通证券深度学习高频因子系列研究,通过九项针对模型训练及特征工程的改进尝试,系统验证了模型优化路径:
显著提升渠道:
改进无效或负面尝试:
实测结果支持现有120天滚动、GRU(50,2)架构模型在选股效果与计算效率间取得较好平衡。
风险提示重点强调系统性市场风险、流动性风险及政策风险,提醒因子研究需结合实际市场动态及交易环境。
综上,报告坚定地表明:通过合理的模型训练约束、特征工程优化和目标调整,可以进一步增强基于深度学习的高频因子在周度选股中的性能和实用价值,具有较强的现实应用前景和改进空间。
本报告数据与观点基于海通证券研究所公开数据,旨在为特定客户提供投资参考,不构成投资建议。投资有风险,交易需谨慎。详见报告末尾免责声明。
注: 本次分析覆盖报告约19页内容,文中代码格式表达的数学符号、因子名称严格来源于报告,图片引用根据报告页面编号。所有数据均来源于报告中表格和图示,确保内容准确且可溯源。
选股因子系列研究(七十七):改进深度学习高频因子的9个尝试.pdf