本文对比分析了基于多类别深度学习模型训练得到的选股因子的周度选股能力,涵盖卷积类、Transformer 类及线性类模型,发现卷积类模型(尤其是 BiATCN 与 TCN)表现最佳。通过因子集成提升超额收益,中证500和中证1000的AI增强组合年化超额收益显著提高,稳健性增强。风险提示包括市场系统性风险和因子失效风险
| 模型 | BiAGRU | BiATCN | TimesNet | Transformer | Informer | PatchTST | RLinear | RMLP | DLinear | TSMixer |
|---|---|---|---|---|---|---|---|---|---|---|
| 相关性范围 | 0.74-0.79 | 0.74-0.86 | 0.77-0.90 | 0.77-0.91 | 0.76-0.91 | 0.74-0.90 | 0.75-0.90 | 0.75-0.93 | 0.76-0.91 | 0.78-1.00 |
| 组合 | 超额收益(全区间) | 最大回撤 | 信息比率 |
|---|---|---|---|
| 中证500 +DBiAGRU+BiATCN+Transformer | 18.5% | 4.0% | 3.64 |
| 中证1000 +BiATCN | 24.7% | 4.8% | 4.41 |
核心论点:
报告通过对比多类深度学习模型训练出的因子在周度选股能力上的表现,发现卷积类模型(TCN、BiATCN)、Transformer类模型(Transformer自身、Informer、PatchTST)及线性类模型(DLinear、TSMixer等)都能产生显著的选股能力,其中卷积类模型表现最佳,Transformer次之,线性类模型相对较弱。进一步,采用多模型等权集成的方式能提升因子的稳健性和总体表现,尤其是BiAGRU模型与BiATCN、Transformer模型的集成,推动因子周均Rank IC及超额收益均有所提高。最后,基于集成深度学习因子构建的中证500和中证1000增强组合表现出可观的年化超额收益,显示了集成模型的实际投资价值。
整体报告传达的主要信息是:多样化深度学习模型可捕捉不同量价信息的特征,通过集成能够获得更加稳健且优异的选股因子表现,进而提升指数增强组合的收益表现。,4,14]
本章节是报告的主体,从深度学习模型分类入手,检验不同模型训练因子的周度选股能力,结构清晰分为卷积类模型、Transformer类模型和线性类模型三个部分,且控制输入数据、预测目标、训练设定一致,便于横向对比。
卷积类模型适合捕捉时间序列的局部特征与短期趋势,通过空洞卷积和残差连接增强对长时间依赖的感知与深层网络训练的可行性。重点测试了TCN(Temporal Convolutional Network)和TimesNet两种结构,BiATCN作为双向学习带注意力机制的增强版TCN也被测试。
TCN能够捕获因果关系、长依赖,通过残差避免梯度消失,提升模型拟合能力;TimesNet将时间序列变换为二维,结合傅立叶变换和时空卷积深入挖掘时间序列复杂内在规律。
| 模型 | 周均Rank IC (TO收盘) | Top10%组合费前年化超额收益 | Top10%组合费后年化超额收益 | Top100组合费前 | 因子自相关 | 双边换手率(Top10%) |
|---|---|---|---|---|---|---|
| BiAGRU | 0.135 | 32.5% | 24.7% | 38.5% | 0.75 | 40 |
| TCN | 0.133 | 32.6% | 23.0% | 37.3% | 0.68 | 50 |
| BiATCN | 0.137 | 33.8% | 24.5% | 40.6% | 0.70 | 48 |
| TimesNet | 0.124 | 28.7% | 21.1% | 33.5% | 0.77 | 40 |
结果显示,BiATCN表现最佳,TCN紧随其后,整体周度选股能力显著但换手率和自相关性有所提升,反映出换手率和因子稳定性之间的权衡。
分年度多头超额收益(表2):
这些数据指示卷积类模型在部分年份表现优异,但对市场波动时期的适应存在差异。
图1(TCN结构示意图)清楚展示了时域卷积层、空洞卷积因果特性及残差块,说明了模型设计对时间序列预测的适应性。
图2(TimesNet结构示意图)通过傅里叶变换将一维时间序列频率信息映射为二维时空变异,提升了模型对内在周期及结构的内容捕捉能力。,5]
Transformer自注意力机制有效捕获序列中任意两点间依赖,适合长序列处理。重点模型有经典Transformer、Informer及PatchTST。
模型特点:
关键数据点(表3):
| 模型 | 周均Rank IC (TO收盘) | Top10%组合费前超额收益 | 费后超额收益 | Top100组合费前 | 因子自相关 | 双边换手率 |
|---|---|---|---|---|---|---|
| BiAGRU | 0.135 | 32.5% | 24.7% | 38.5% | 0.75 | 40 |
| Transformer | 0.129 | 30.6% | 22.9% | 35.8% | 0.75 | 40 |
| Informer | 0.125 | 27.9% | 19.5% | 33.6% | 0.72 | 45 |
| PatchTST | 0.111 | 23.7% | 18.1% | 26.7% | 0.80 | 30 |
Transformer表现优于Informer和PatchTST,但整体略逊于BiAGRU。换手率与因子自相关性接近BiAGRU,显现一定稳定性。
Transformer和Informer在2019、2020、2023年表现较好,而2018年依然明显落后BiAGRU,提示早期市场调适尚需强化。
图3(Informer网络结构示意图)展现了嵌入层、一维卷积的多头自注意力结构及多层attention块;
图4(PatchTST结构示意图)强调通道独立性与Patch的拆分处理方式,帮助理解其细粒度的时序特征提取方式。,7]
线性类模型结构简单,参数量少,能有效建模趋势与残差序列,虽整体表现弱于BiAGRU,但在部分时段取得可观成绩。核心模型包括DLinear、RLinear、RMLP和TSMixer。
DLinear通过趋势+残差序列分解后各自单层线性模型进行预测;TSMixer借鉴视觉MLP-Mixer架构,设计时序混合和特征混合层捕捉多尺度信息。
| 模型 | 周均Rank IC (TO收盘) | Top10%组合费前超额收益 | 费后超额收益 | Top100组合费前 | 因子自相关 | 双边换手率 |
|---|---|---|---|---|---|---|
| BiAGRU | 0.135 | 32.5% | 24.7% | 38.5% | 0.75 | 40 |
| DBiAGRU | 0.134 | 33.0% | 25.2% | 41.0% | 0.76 | 40 |
| TSMixer | 0.122 | 26.8% | 19.6% | 32.6% | 0.76 | 39 |
| DLinear | 0.119 | 24.6% | 17.7% | 26.5% | 0.77 | 37 |
| RMLP | 0.117 | 24.2% | 17.0% | 27.6% | 0.76 | 40 |
| RLinear | 0.111 | 22.5% | 16.5% | 25.7% | 0.80 | 33 |
DBiAGRU通过引入DLinear处理输入特征小幅提升表现,TSMixer在线性类中排名最高。
线性模型多在2017-2018年表现较弱,落后BiAGRU超过15%。只是2021和2023年取得阶段性提升。
图5、图6分别展示了DLinear和TSMixer的网络结构,突出趋势+残差分解及MLP Mixer设计,有助理解其工作机理。,9]
截面相关性(表7):
模型年度超额收益对比(表8):
各模型多头超额收益虽整体趋同,2017-2018年间BiAGRU明显领先。示例中2018年各模型下半年表现趋同甚至超越BiAGRU(图7),但上半年均明显落后。
通过与低频量价因子的相关性变化(表9)、低频因子超额收益(图8)结合分析发现:
- 2017年底BiAGRU已降低对低流动性和反转因子的依赖,而其他模型相关性较高;- 2018年上半年这两类因子表现不佳,导致相关性高的模型跑输BiAGRU;- 6月调参更新后,模型相关性和市场表现趋同,落后问题缓解。采用简单等权集成方法,将BiAGRU与BiATCN、Transformer及DBiAGRU等模型因子结合:
| 模型组合 | 周均Rank IC (TO收盘) | Top10%费前超额收益 | Top100费前超额收益 | 因子自相关 | 换手率 |
|---|---|---|---|---|---|
| BiAGRU | 0.135 | 32.5% | 38.5% | 0.75 | 40 |
| +BiATCN | 0.142 | 35.2% | 41.2% | 0.74 | 43 |
| +BiATCN+Transformer | 0.141 | 34.2% | 39.9% | 0.76 | 40 |
| +DBiAGRU+BiATCN+Transformer | 0.142 | 34.8% | 40.8% | 0.76 | 40 |
年度多头超额收益表明2019-2023年区间,集成模型通常优于BiAGRU,尤其+BiATCN及其叠加Transformer的组合表现最佳,2021年Top100组合为例除外。
各模型因结构、训练细节不同,对量价信息学习和适应速度存在差异,集成可缓冲单一模型在极端市场下的表现波动,提升稳健性。,11,12]
利用集成模型输出的因子作为收益预测指标,结合中证500和中证1000指数成分构建增强组合。考察全市场选股与限制80%成分股的组合表现。
约束条件:
优化目标:最大化组合预期超额收益,权重(w_i)与预测收益(\mu_i)相关。
超额收益表现(表12):
| 模型组合 | 中证500全市场 | 中证500 80%成分 | 中证1000全市场 | 中证1000 80%成分 |
|---|---|---|---|---|
| BiAGRU | 16.5% | 11.7% | 22.5% | 20.0% |
| +BiATCN | 17.8% | 12.3% | 24.7% | 21.4% |
| +BiATCN+Transformer | 17.4% | 11.8% | 24.3% | 20.5% |
| +DBiAGRU+BiATCN+Transformer | 18.5% | 11.7% | 24.4% | 21.3% |
| +DBiAGRU+BiATCN+Trans+TSMixer | 18.4% | 11.5% | 25.1% | 20.7% |
集成模型提升有效,尤其+BiATCN及其叠加Transformer模型优异。
中证500组合(2017-2023)年化超额收益18.5%,最大回撤4%,信息比率3.64,月度胜率80%;
中证1000组合(2017-2023)年化超额收益24.7%,最大回撤4.8%,信息比率4.41,月度胜率88%。
图9、图10呈现2023年两指数AI增强组合超额净值走势,回撤在2-2.5%区间,表现稳健。
综上,深度学习模型集成因子驱动的增强组合表现突出,风险控制良好。,13,14]
这两图清晰展示了卷积模型如何在时间序列中挖掘局部到全局信息。
两图突出了Transformer的多样性改进以适应时间序列挑战。
两图说明线性类模型设计简洁但功能丰富,为轻量级时序预测提供途径。
各图表协同支持报告论点,形成数据与理论高度一致的逻辑闭环。
报告核心为选股因子效果评估及实证构建指数增强组合,未触及传统估值模型(如DCF、市盈率等),因此无直接估值内容。不过,选股因子通过极值组合超额收益和Rank IC反映因子选股收益能力,是深度学习因子估值的一种间接表现。
报告未详细披露缓解措施,但建基于模型集成和多因子组合,间接作为对冲单模型风险的手段。,14]
整体看,报告科学严谨,但在方法学细节和后续调优、风险管理建议上还有深化空间。,14]
本报告系统性评估了基于不同深度学习模型训练的选股因子周度选股能力,涵盖卷积(TCN、BiATCN、TimesNet)、Transformer(Transformer、Informer、PatchTST)、线性模型(DLinear、TSMixer等)三大类别,并对比主流RNN模型BiAGRU表现。测试显示:
此外,深度学习因子策略仍面临市场系统性风险、流动性风险、政策调整和因子可能失效的挑战,未来在模型调参、超参数优化和风险管理方面仍有改进空间。
本报告为量化投资领域深度学习因子模型的前沿实践提供了翔实的数据支撑和研究框架,强调多模型集成以提升因子多样性和稳健性,是构建高效股票选择因子的有益尝试。
本文关键图表部分示例如下:
总结:
该份研究报告从模型设计、因子表现实测到集成应用全流程展开,揭示了不同深度学习模型选股因子的异同和优势,提供了务实的投资因子构建和优化路径。尽管面临一定限制和需进一步优化,但其严谨的方法和全面的数据说明,为投资人利用AI与深度学习增强股票组合收益提供了可靠借鉴与实践方向。
溯源说明:本分析严格基于报告中内容条目,引用页码以[page::]形式标注,方便后续内容回溯与校验。
选股因子系列研究(九十三):深度学习因子的“模型动物园”.pdf