本报告针对深度学习选股策略中的风格轮动和行业轮动问题,提出对股票样本进行风险中性化处理,通过截面回归剥离行业和市值风险因子影响,实现对股票收益的风险中性标注。基于风险中性样本训练的七层深度神经网络模型,预测未来10个交易日股票涨跌概率。实证显示风险中性深度学习模型能有效降低对市值因子的依赖,提升策略稳定性和收益表现。2011年以来以中证500股票池回测,年化超额收益达21.95%,最大回撤-5.03%,胜率74.6%,信息比2.92,显著优于普通深度学习策略
报告标题:风险中性的深度学习选股策略
发布机构:广发证券发展研究中心
报告系列:深度学习研究报告之五
分析师:文巧钧、安宁宁
报告日期:约2018年,包含2018年4月份数据
研究对象:深度学习多因子选股模型,特别强调风险中性化处理以提升模型稳定性与预测性能,聚焦中证500股票池的多因子深度学习选股策略。
核心论点:
报告指出传统数据驱动的机器学习模型在股票市场的应用存在样本内外表现不一致的问题,主要由于市场风格切换和行业轮动导致历史训练数据的“知识”难以直接外推。为解决该问题,报告提出通过“风险中性化”方法对股票样本标注,即剥离行业和市值等风险因子影响,从而训练出风险中性深度学习模型,抑制风格轮动影响。
实证表明,风险中性化处理的深度学习选股策略能有效减少市值因子的影响,提升模型选股的稳定性和表现力。自2011年以来,在中证500成份股上的年化超额收益率达到21.95%,最大回撤为-5.03%,胜率74.6%,信息比为2.92。该策略虽收益优秀,但存在市场结构变化和参与者行为改变导致策略失效的风险。
策略回顾(2014年至今)
广发证券金融工程团队围绕深度学习技术在投资上的应用已有系统工作,涵盖股指期货日内交易、Alpha因子挖掘、多因子选股等方向。其中,深度学习选股策略演进分为策略1(原始价量特征自动学习)与策略2(传统因子辅助价量指标,表现更佳)。报告回顾表示,深度学习选股策略2能在样本外环境下显著超越市场基准,图1显示其累积收益亮眼。
存在问题
数据驱动型机器学习模型的成功依赖于历史数据“知识”在未来的有效传播。股票市场因参与者众多,包含大量噪声,且存在明显的风格及行业轮动,这使得训练数据场景与未来预测场景差异大,导致模型泛化不足,样本外表现不佳。
例如,模型训练在小市值偏好的市场环境,势必学会对小市值赋予较高权重,风格切换后模型失效概率高。为此,提出了“风险中性”股票样本标注方法,意味着从机器学习模型层面剥离风险因子,使模型关注在行业内市值区间真实的超额能力而非表面风格因子影响。
模型结构及参数
采用7层深度神经网络,输入层(X)156个节点,含传统选股因子(估值、规模、反转、流动性、波动性等)、技术指标(MACD、KDJ等)、28个申万一级行业哑变量。五个隐含层H1至H5,节点分别为512、200、200、200、128,输出层Y3个节点对应未来10日股票的三分类预测:上涨、平盘、下跌。模型采用网格搜索优化结构。
激活函数
隐含层采用ReLU(Rectified Linear Unit)激活函数,解决了Sigmoid/正切函数梯度消失问题,训练更深层网络更有效;输出层采用Softmax函数对三分类概率归一化。
训练方法
用交叉熵作为损失函数,结合误差反向传播、Dropout(随机掩盖隐层节点以防止过拟合)、BatchNormalization(提升训练效率和效果)优化深度网络参数。
传统标注法
以单期未来10个交易日涨跌幅为依据,将涨幅前10%股票标为“上涨”,中间45%-55%为“平盘”,后10%为“下跌”,三类样本数量相等利于训练。但此方法容易受流行风格和行业轮动影响,导致训练偏差,如“小盘股假涨”误判。
风险中性处理
该方法有效降低风格轮动和行业轮动对模型训练的影响,增强泛化能力。
策略流程
历史数据预处理→样本筛选标注→模型训练→样本外数据预处理→模型预测打分→分档选股→构建组合。模型半年度更新,训练数据窗口4年,测试期自2011年1月起。
因子特征
共156个因子,涵盖估值、规模、反转、流动性、波动性因子、技术指标(MACD、KDJ)、行业哑变量等。确保因子多样性且含有风格与行业信息。
因子数据处理
报告未涉及传统的公司估值方法(如DCF、市盈率),侧重于策略收益以及模型预测能力评估。使用信息系数(IC)、累积收益率、最大回撤、胜率和信息比多维度评价策略性能,充分体现模型做多/对冲能力及风险调整收益。
策略模型失效风险:
报告明确提示,策略并非完全有效,主要风险在于市场结构变化、交易行为转变及同类策略参与者增多可能导致模型预测与市场环境脱节,策略表现下降, 21]。
市场风格轮动风险:
模型设计即为解决风格和行业轮动风险,若风险中性处理不充分仍可能存在因风格快速变换导致模型失效。
换手率风险:
策略换手率较高,带来交易成本和潜在市场冲击风险,可能影响实际净收益。
本报告系统阐述了基于深度学习的多因子选股策略中,“风险中性”样本标注的理论和实证意义。风险中性处理通过剥离行业与市值风格因子影响,使得深度学习模型在训练中关注同一行业内部、同一市值区间内股票的超额表现,缓解了市场风格轮动导致的模型过拟合和预测失效问题。
从模型结构入手,报告详细介绍了7层深度神经网络的节点配置、激活函数选择(ReLU隐含层+Softmax输出层)和训练技巧(Dropout、BatchNormalization),确保了深度学习模型学习的有效性和泛化能力。样本标签设计兼顾了分类平衡性与风险中性原则。
大量实证分析包括选股因子和市值因子的IC动态对比,深度学习模型对冲收益曲线及年度绩效数据,充分证明风险中性深度学习模型较传统模型更少受市值风格影响,表现更稳定且收益优异。策略自2011年起,基于中证500指数股票池,每半年更新一次模型,年化超额收益高达21.95%,最大回撤控制在-5%左右,信息比近3,胜率超过74%,表现出良好的风险调整收益。
图表分析表明,深度学习选股模型IC平均值为正且波动稳定,采用风险中性策略后与市值因子相关性明显下降。两种策略相关度高但选股重合度不完全,说明风险中性标签赋予模型全新选股视角,丰富选股多样性。同时,策略换手率偏高,带来交易成本风险,需要权衡优化。
整体来看,报告理念清晰,实证结论有力,为使用深度学习模型应对市场风格变化、行业轮动提供了有效的解决路径。风险中性处理作为机器学习层面的因子剥离方法,值得在更多量化投资策略中推广和发展。但依然需要注意换手率高及市场快速变动带来的模型失效风险,以及加强模型解释性研究。
| 图表编号 | 内容描述 | 关键数据/趋势解读 | 关联文本要点 |
|---|---|---|---|
| 图1 | 深度学习选股策略2年化收益曲线 | 收益稳健增长,2011-2018年表现优异,呈现截面外有效性初始验证 | 策略回顾,深度学习选股模型实证表现 |
| 图2 | 深度学习层级结构示意 | 层级清晰:输入→低层→中层→高层→输出 | 深度学习基本原理介绍,特征分层抽象 |
| 表1 | 网络结构节点数 | 输入156,隐含层各异最多512,输出3 | 神经网络设计细节 |
| 图3 | 两隐含层网络示意 | 多层全连接结构 | 深度学习模型传播机制 |
| 图4/图5 | Sigmoid与ReLU激活函数 | ReLU解决梯度消失,提升训练效率 | 激活函数性能解读 |
| 图6 | 股票样本分类标注示意 | 上涨、平盘、下跌按涨跌百分位排序,平衡样本 | 样本标签设计 |
| 图7/8 | 行业、市值中性样本标注示意 | 组内排序,剥离行业与市值影响 | 风险中性处理思想及流程 |
| 图9 | 策略流程图 | 数据预处理→模型训练→模型预测→分档选股 | 策略框架说明 |
| 图10 | 股票特征组成 | 估值、技指标、行业哑变量丰富特征集 | 特征工程说明 |
| 图11 | 深度学习模型IC走势 | IC平均0.082,表现持续有效 | 模型预测有效性 |
| 图12 | DL模型IC与市值因子IC相关度 | 普通负相关显著,风险中性弱相关 | 风险中性减少市值依赖 |
| 图13 | 候选模型打分和流通市值相关性 | 普通模型偏小市值,风险中性模型波动更均衡 | 选股风格调整 |
| 图14/15 | 选股策略累积收益曲线 | 风险中性模型超额收益更高最大回撤更小 | 策略表现对比 |
| 表2 | 策略分年绩效及换手率 | 年超额收益持续正值,换手率年均达17.7 | 策略稳健性及交易活跃度 |
| 图16-18 | 风险中性与普通模型表现同质性分析 | 风险中性表现更佳,IC高度相关但股票选择重合度约40-50% | 模型目标差异导致选股差异 |
综上所述,本报告提出的“风险中性的深度学习选股策略”通过风险因子剥离创新标注手段,重构机器学习训练目标,有效提升了深度学习多因子模型的市场适应能力和持续盈利能力,为量化选股领域提供了方法论创新,且实证结果充分验证其有效性。
,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21]
广发深度学习研究报告5:风险中性的深度学习选股策略.pdf