本文设计了基于深度学习的端到端因子挖掘神经网络AlphaNet,通过自定义网络层提取股票量价数据中复杂特征,实现因子自动合成。AlphaNet-v1版本在过去10年A股数据上回测表现优异,调仓周期10天时合成因子RankIC均值达9.54%,TOP组合年化超额收益率12.42%,5天调仓时相应指标为8.19%和11.36%。模型通过SHAP值进行解释,揭示关键特征因子,展现了深度学习技术在量化选股因子挖掘中的增量价值和应用潜力
| 指标 | 合成因子 | 行业市值中性 | 五因子中性 |
|---|---|---|---|
| RankIC均值 | 10.33% | 10.48% | 9.54% |
| IC标准差 | 11.56% | 11.29% | 9.44% |
| IC_IR | 0.89 | 0.93 | 1.01 |
| IC>0 占比 | 81.20% | 81.75% | 85.09% |
| 多空组合年化收益率 | 49.59% | 50.27% | 44.04% |
| 多空组合夏普比率 | 5.66 | 5.74 | 5.80 |
| 多空组合胜率 | 87.95% | 86.88% | 86.25% |
| 指标 | 合成因子 | 行业市值中性 | 五因子中性 |
|---|---|---|---|
| RankIC均值 | 9.01% | 9.03% | 8.19% |
| IC标准差 | 10.92% | 10.59% | 8.90% |
| IC_IR | 0.83 | 0.85 | 0.92 |
| IC>0 占比 | 80.24% | 80.58% | 83.12% |
| 多空组合年化收益率 | 67.01% | 67.85% | 56.93% |
| 多空组合夏普比率 | 7.34 | 7.42 | 7.26 |
| 多空组合胜率 | 87.59% | 86.79% | 87.41% |
| 个股权重偏离上限 | 年化收益率 | 年化波动率 | 夏普比率 | 最大回撤 | 年化超额收益率 | 超额收益最大回撤 | Calmar比率 | 月胜率 | 换手率 |
|---|---|---|---|---|---|---|---|---|---|
| 0.5% | 18.31% | 25.50% | 0.72 | 47.11% | 15.67% | 7.37% | 2.99 | 75.45% | 58.55% |
| 1% | 19.08% | 25.53% | 0.75 | 47.40% | 16.38% | 8.06% | 2.72 | 73.66% | 58.29% |
| 1.5% | 19.16% | 25.65% | 0.75 | 47.67% | 16.45% | 8.64% | 2.49 | 71.96% | 58.13% |
| 2% | 19.35% | 25.75% | 0.75 | 47.87% | 16.63% | 9.27% | 2.36 | 71.16% | 58.05% |
| 中证500基准 | 1.83% | 26.67% | 0.07 | 65.20% | - | - | - | - | - |
AlphaNet基于股票9*30维度的量价数据“数据图片”,利用自定义时序相关、协方差、标准差、z-score、加权平均等运算符作为网络层构建因子提取网络,步骤如下:
报告指出以往因子挖掘多为“遗传规划+随机森林”模型,因子生成与合成是两个分离的步骤,易导致信息损失和人工干预。深度学习以端到端方式实现在原始数据到因子合成的直接映射,优势在于避免多步骤人工设计的缺陷。AlphaNet是为量价数据的选股因子自动挖掘和合成设计的专用深度网络,利用特殊自定义运算符和批标准化,实现高效特征提取和因子合成。,3]
AlphaNet基于遗传规划构建因子的思想,将多种量价时序运算符作为自定义网络层,如时序相关(ts_corr)、协方差(ts_cov)、标准差(ts_stddev)、z-score(ts_zscore)等。这些自定义网络层实现对股票量价数据“数据图片”的高维遍历计算,突破了传统CNN局部感知的限制,实现全面特征捕捉。
图表1(人工智能融入多因子选股体系):展示从因子生成——因子合成——组合优化的传统多因子流程,人工智能通过遗传规划和随机森林辅助因子生成,深度学习则端到端整合因子挖掘与合成。图中深度强化学习区块标红,表明为未来发展方向,尚处探索阶段。
图表2和3(LeNet-5与卷积核示意):详解CNN通过卷积核分层抽取图像边缘、组合、整体特征,作为深度学习成功范式。报告借鉴此结构设计量价数据的“数据图片”与自定义卷积层。
图表5和6(AlphaNet结构及数据输入):核心展示AlphaNet输入以9个量价维度、若干天历史数据拼接的二维矩阵结构(如“数据图片”),与传统CNN方法类似,区别是运算符多样并非仅卷积核操作。
图表7-9(自定义网络层定义及工作机制):介绍多种基于时序运算的自定义层,尤其ts_corr的跨特征遍历能力,相较CNN局部感知优势明显。数据中黄色高亮表示步进窗口,展示计算覆盖全特征组合而非局促片段。,8]
图表10(BN层标准化效果):直方图对比前后,体现不同特征尺度对训练影响,BN层统一量纲,保证多种网络层输出可比性和训练稳定性。
图表11-15(模型构建流程及AlphaNet-v1细节):展示整体构建流程及网络架构,每层参数明确(如步进、激活函数、Dropout比例)和利用原始量价数据矩阵贯穿始终,输出为收益率预测,体现端到端设计。,11,12]
图表16-17、26-27(IC值与累计RankIC):数字和折线图表明经五因子中性后合成因子IC仍维持正向显著,且累计RankIC逐年提升,展示因子预测效果长期有效稳定。,17]
图表18-21、28-31(分层测试图表):不同层年化超额收益、夏普比率均表明Top层正显著超额收益,多空组合表现优异,考虑交易成本仍具实用性。分层净值曲线形态清晰,效果稳定。,18]
图表22-23、32-33(行业市值中性组合增强策略绩效):详细绩效表明AlphaNet构建组合相比中证500基准,年化超额收益率超过15%,夏普率显著提升,最大回撤降低,月胜率稳定超过70%,展示实际组合可操作价值。,19]
图表24-25、34-35(SHAP解释图):条形图显示重要因子数量级,蜂群图说明个别因子对于预测的正负贡献分布,体现模型的非线性和复杂影响机制,支持模型解释的科学性与实用性。,20]
本报告属于模型研究及策略回测,未涉及企业或资产估值方法与目标价格设定,因此不适用DCF、市盈率或其他估值模型分析。
报告明确提示谨慎使用,强调模型的历史经验属性及不保证未来表现。,21]
总体来看,报告稳健客观,科学记录创新设计与实证效果,同时合理揭示技术限制和风险。
本报告基于华泰证券金工团队多年研究,率先提出并实现了针对股票量价数据的端到端因子挖掘神经网络AlphaNet,创新地采用遗传规划思路设计多种自定义时序运算网络层,突破传统CNN和RNN结构的局限。AlphaNet-v1借助批标准化和池化层,形成稳定、灵活的特征提取和合成网络。
实证回测清晰展示,AlphaNet在10天及5天调仓周期下均实现了稳定的因子预测能力和显著的超额收益。在经过行业、市值、动量等主流因子中性化处理后,因子均值RankIC分别达到9.54%和8.19%,多层组合分层测试和中证500增强策略均取得年化超额收益12%以上,夏普率提升明显,最大回撤较基准大幅缩减,表现稳健且极具实用潜力。
模型可解释性分析进一步揭示了因子的复杂非线性关系和深刻的经济意义,支持该深度学习估计体系透明和可理解的特性。
报告精准诠释了深度学习端到端能力对量化投资的突破意义,提出了量价数据神经网络分析的新范式。同时提示模型历史经验总结性质,不保证未来表现,并强调神经网络随机性风险及模型解释风险。整体为市场量化因子建模开辟了新思路,对学术和实务均有重要参考价值。
以上为《AlphaNet:因子挖掘神经网络》报告的深度解读与全方位剖析,贯穿报告核心思想、模型结构、关键数据、实证结果和风险提示,兼顾了图表数据的细致分析和模型的技术创新,彰显了人工智能在金融量化选股领域的创新应用和深远意义。~23]
人工智能系列三十二:AlphaNet 因子挖掘神经网络.pdf