20140619-广发证券-大数据深度学习系列之二_深度学习算法掘金ALPHA因子_27页_1mb

深度学习算法掘金 ALPHA 因子总结

核心内容

本报告探讨了深度学习在金融领域，尤其是股票市场中挖掘Alpha因子的应用。Alpha因子是能够带来超额收益的因子，通过深度学习对市场数据进行挖掘，可以获取具有预测能力的因子，从而构建出能够产生超额收益的Alpha策略。

主要观点

• Alpha因子的定义与作用：Alpha因子是驱动个股产生超额收益的关键因素，通过有效因子设计选股策略，能够实现超越市场的收益。
• 深度学习的优势：相比传统因子挖掘方式，深度学习能够更有效地处理海量市场数据，挖掘出非线性特征和更复杂的因子组合。
• 预测模型与交易策略：通过构建深度学习预测模型，可以对股票价格的短期走势进行预测，并将预测得分作为Alpha因子，用于构建交易策略。
• 实证结果：在组合规模为100的情况下，深度学习Alpha策略自2011年以来累积收益率超过120%，各年度收益率均超过15%。
• 因子表现：深度学习因子在信息比率（IR）和胜率方面均优于传统量价因子，表明其在选股上的有效性。

关键信息

深度学习股价预测模型

• 模型基于中证800成份股的高频交易数据，以周为换仓周期。
• 输入变量包括短期价格波动、买卖盘报价、成交量、委买委卖量之比等。
• 模型训练采用降噪自编码器进行无监督学习，再通过反向传播算法进行有监督学习。
• 每个样本包含386个特征变量，训练时间约为20小时，预测时间在5ms以内。

交易策略

• 采用周频交易策略，根据预测得分选择看多或看空组合。
• 策略包括三种形式：单向做多、多空配对、资金等权对冲。
• 本报告采用资金等权对冲策略，交易手续费为单边3‰。
• 组合规模控制在100左右，综合考虑收益率与稳定性。

预测模型效果

• 深度学习模型在样本外预测中表现良好，ScoreUp前5%的样本5个交易日后平均涨幅为1.97%。
• ScoreDown前5%的样本5个交易日后平均跌幅为-0.66%。
• 综合因子 ScoreUp - ScoreDown 在多数情况下表现优于传统因子。

对冲策略效果

• 深度学习对冲组合在多数月份和年份的收益均优于成交金额-股价动量双因子组合。
• 深度学习因子具有更高的信息比率（IR）和胜率，表明其在风险调整后的收益表现更优。
• 组合规模越小，累积收益率越高，但回撤也越大；组合规模越大，回撤减少但收益率下降。

行业分布

• 深度学习策略偏爱医药、房地产、电器元器件等行业。
• 每一期组合所选行业分布变化较大，显示策略的灵活性和市场适应性。

模型结构与技术要点

深度学习模型结构

• 模型采用多层神经网络结构，第一层有400个节点，第二层有200个节点，输出层有两个节点（ScoreUp和ScoreDown）。
• 模型训练采用无监督学习和有监督学习结合的方式，以提高预测性能。
• 通过自编码器进行特征学习，增强了模型的鲁棒性和泛化能力。

人工神经网络

• 神经网络由输入层、隐含层和输出层构成，每个节点使用激励函数（如逻辑函数）进行计算。
• 模型优化目标是使预测误差最小化，通常使用梯度下降法或随机梯度下降法进行参数优化。
• 输入数据经过标准化、极端数据平滑和归一化处理，以消除不同股票间的差异。

结论

• 深度学习在股票价格预测和Alpha因子挖掘方面展现出显著优势。
• 实证结果表明，基于深度学习的Alpha策略在多数情况下优于传统因子策略。
• 该策略在实际应用中需注意市场结构变化和交易成本的影响，以确保模型的稳健性。

风险提示

• 策略并非百分百有效，市场结构变化或交易参与者增多可能影响策略表现。
• 投资者应结合自身情况独立判断，避免仅依赖本报告做出投资决策。

投资评级说明

• 买入：预期未来12个月内，股价表现强于大盘10%以上。
• 持有：预期未来12个月内，股价相对大盘的变动幅度介于-10%～+10%。
• 卖出：预期未来12个月内，股价表现弱于大盘10%以上。

联系方式

• 地址：广州市天河北路183号大都会广场5楼，深圳市福田区金田路4018号安联大厦15楼A座03-04，北京市西城区月坛北街2号月坛大厦18层，上海市浦东新区富城路99号震旦大厦18楼。
• 邮政编码：510075、518026、100045、200120。
• 客服邮箱：gf fy@gf.com.cn。
• 服务热线：020-87555888-8612。