本文介绍了AlphaNet深度学习模型的两次升级——AlphaNet-v2与AlphaNet-v3,通过扩充比率类特征并替换传统池化层为LSTM/GRU层来提升因子挖掘性能。回测结果显示,升级后的模型在全A股、中证500及中证800成分股中的RankIC均值、ICIR等指标均有显著提升,增强策略年化超额收益率和信息比率也同时改善。此外,本文对比了AlphaNet与传统遗传规划+随机森林模型的优缺点,强调AlphaNet的端到端优势及模型可解释性的不足 。
| 比率类特征名称 | 定义 |
|---|---|
| close/free_turn | 收盘价/自由流通股换手率 |
| open/turn | 开盘价/换手率 |
| volume/low | 成交量/最低价 |
| vwap/high | 成交量加权平均价/最高价 |
| low/high | 最低价/最高价 |
| vwap/close | 成交量加权平均价/收盘价 |
| 指标 | AlphaNet-v1 | AlphaNet-v2 |
|---|---|---|
| RankIC均值 | 9.72% | 10.76% |
| ICIR | 1.00 | 1.15 |
| 信息比率 | 2.73 | 3.13 |
| 年化超额收益率 | 17.17% | 19.09% |
| 模型类型 | 优点 | 缺点 |
|---|---|---|
| 遗传规划+随机森林 | 因子表达清晰,流程可控性高 | 流程复杂,频繁调整股票池、预测周期费时 |
| AlphaNet | 端到端学习无需维护因子池,适用性广,较少人工干预 | 模型可解释性差,特征提取层函数有限 |
报告标题: 再探 AlphaNet:结构和特征优化
发布机构: 华泰证券研究所(金工研究团队)
发布日期: 2020年8月24日
主要作者: 林晓明、陈烨、李子钰、何康
研究主题: 基于深度学习的股票因子挖掘模型——AlphaNet的结构优化及特征扩展,及其在A股不同股票池中的表现对比及改进测评。
核心内容: 本文为华泰证券人工智能系列报告之一,属于2020年6月14日首次介绍 AlphaNet-v1 之后的深入跟踪研究,展示了AlphaNet-v2及AlphaNet-v3两个升级版本的设计思路和实证表现。报告重点探讨了两个方面的改进:扩充比率类特征与采用更适合时序数据的循环神经网络(LSTM/GRU)取代传统池化层,全方位测评和对比了三个版本的表现,展示了AlphaNet-v2在全A股和中证800的显著提升,AlphaNet-v3在中证500内进一步取得小幅优势,同时与“遗传规划+随机森林”等传统机器学习模型进行了优缺点对比。
预期传达的信息: 改进后的 AlphaNet 模型能更有效地利用股票历史量价时序数据提取信息,实现更优的因子挖掘和选股选股策略表现,且深度学习端到端框架能带来显著的效率和应用便利优势。
AlphaNet-v1架构(图表2、3):
以9个基本量价类特征(开高低收价、成交量等)构成“数据图片”,时间窗口30天;
特征提取层通过多个自定义统计函数(例如相关、协方差、标准差等,时间窗口为10天)提取时序特征;
后续使用池化层(mean、max、min,窗口3)和全连接层(30个神经元,ReLU激活,Dropout 0.5)做因子合成,输出一个预测神经元;
采用均方误差(MSE)作为损失函数,优化器为RMSProp。
参数规模较小,总体结构较为传统。
AlphaNet-v2架构改进(图表4、5):
将原始9个量价特征扩充到15个,加入6个比例类特征(例如close/free_turn、vwap/high等),提升特征丰富度和信息含量;
替换池化和全连接层为LSTM层(时间步长3,输出30单元),更好学习时序动态;
训练集与验证集划分由1:1调整为4:1,验证集强调近期时点,提升对市场环境动态的适应能力;
优化器改为Adam,训练批量大小调整,训练流程更注重稳定性和时序一致性。
AlphaNet-v3架构进一步优化(图表6、7):
特征提取层细分为两层,分别采用窗口10和5的自定义函数,加深多尺度时序捕捉能力;
LSTM换成更轻量化的GRU,减少训练时参数量约四分之一,提升运算效率;
采用双层GRU层(time_step分别为3和6,均输出30单元),增强模型复杂度与表达能力。
训练细节保持一致,专注中证500样本,平衡效率和表现。整体显示出逐步精细化和更具时序深入建模的趋势。
改进1:比率类特征扩充(图表8-10)
加入close/free_turn、open/turn、volume/low等6个比率类特征,基于对遗传规划挖掘因子表现的观察,比例特征提供了额外且显著的预测信息。
图表8、9的分层回测显示包含比例因子的特征在多个层次均抓取到有效信号,强化了选股能力,对AlphaNet-v2及v3的性能提升做了理论支持。
改进2:池化层替换为LSTM/GRU(图表11-13)
LSTM和GRU结构示意图说明了其控制门机制,能有效捕获长期时序依赖特点。GRU门控更少,计算效率更高,适合模型复杂度较大的AlphaNet-v3。
相较池化层的静态聚合,循环神经网络保留了完整时序信息,有助于捕捉市场动态变化,增强模型泛化能力。
全A股测试(图表16-20):
AlphaNet-v2相较v1,RankIC平均提升约1个百分点(由9.72%增至10.76%),ICIR(信息比率)由1.00升至1.15,表现改进明显。
累积RankIC曲线(图表17)展现AlphaNet-v2长期稳健领先AlphaNet-v1。分层测试显示,多空组合年化超额收益和夏普比率均有所提升(夏普由5.64升至6.28),分层收益曲线(图表19、20)也验证了模型优越性。
构建中证500行业市值中性策略回测(图表21-23):
在行业市值中性约束下,AlphaNet-v2的超额收益率由17.17%提升至19.09%,信息比率由2.73升至3.13,最大回撤和跟踪误差也有所改善,年化收益更具稳定性。
中证800成分股测试(图表24-28):
AlphaNet-v2在IC值、ICIR和分层表现方面均轻微优于v1,且信息比率、夏普均有提升,显示了AlphaNet-v2能够持续有效捕捉较广股票池的alpha因子,且模型对不同行业和市值的适用性较好
图表1(版本演化):
清晰展现AlphaNet三代产品的递进关系,突出不同股票池测试的覆盖与技术提升的辉映。
图表2、3(v1模型结构):
展示基础网络结构,明确模型输入数值特征、特征提取函数与网络层组成,强化对原始神经网络构建的理解。
图表4-7(v2、v3模型结构):
细节展示特征维度扩充和循环层(LSTM及GRU)设计,帮助理解为何深度时序建模优于传统池化加全连接。
图表8-10(比率类特征回测):
用实证验证引入比率类特征的正面效应,分层收益显著,显著提高AlphaNet在多因子组合中的实际选股能力。
图表11-13(LSTM/GRU与池化层对比):
形象描述不同神经网络单元的结构特点,为选择GRU替代LSTM提供了参数效率和性能权衡的依据。
图表16-20(AlphaNet-v2全A股性能):
统计指标和累计IC图走势同向验证模型有效性;分层测试揭示模型区分度和选股能力的深层强度。
图表21-23(中证500增强策略):
多指标综合显示AlphaNet-v2在风险调整后收益的优势,验证其在实盘策略设计中的价值。
图表24-31(中证800测试与增强策略):
进一步证实模型适用多样化股票池,性能稳健。
图表32-39(AlphaNet-v3细节):
分析AlphaNet-v3微改进的实效性,呈现新一代模型技术进步同时保持回报稳定的事实。
本报告虽然没有专门估值部分,但其“增强策略回测”中通过超额收益率、信息比率、夏普比率、最大回撤等指标,间接展现了模型构建的策略性能估值。
整体来看,模型改进不仅提升了单因子层面的预测能力,也提高了策略层面的回报和风险调整表现。
报告提示风险提醒投资者需审慎,避免盲目依赖模型输出。
该研究报告详细介绍了华泰证券金工团队基于深度学习的股票因子挖掘模型AlphaNet的升级与优化。核心突破在于:
图表解读特别强调:
综上,报告系统地展示了AlphaNet在深度学习金融选股领域的创新路径和实证成果,提升了模型的性能和适用性,具有较高的参考价值和推广潜力,是国内人工智能数量化投资研究的典范之作。,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21]
因报告篇幅及内容较多,以上分析涵括了报告中所有关键章节、方法论、数据指标、图表视图以及风险提示,力求全面、深入、专业。并遵照规则进行了必要的溯源标注。任何未覆盖的小结点均为细节层面内容,未影响整体分析逻辑结构严密性。
以上为《再探 AlphaNet:结构和特征优化》研究报告的详尽专业解析。欢迎对特定章节或图表进一步深挖。
人工智能系列之三十四:再探AlphaNet 结构和特征优化.pdf