20240524-开源证券-市场微观结构（24）_深度学习赋能交易行为因子_16页_2mb

金融工程专题：遗传算法与深度学习因子挖掘总结

一、遗传算法因子 Alpha_185 绩效回顾

在《遗传算法赋能交易行为因子》中，提出“切割算子”并创新性应用于改进遗传算法，经过1轮10代挖掘，得出开源因子Alpha_185。该因子从2017年1月至2024年4月合成后，RankIC为1214%，RankICIR为445，10分组多空年化收益为3479%，信息比率为316。样本外表现（2022年6月以来）也较为优异。

二、深度学习因子挖掘（LSTM框架）

1. 输入层数据

• 日频量价、分钟频量价及大小单资金流三大类变量。
• 预处理：时序标准化、去极值、横截面标准化、缺失值填充。

2. 主体模型：LSTM

• 使用LSTM模型进行时序处理，训练参数包括样本回看天数、训练时间窗口、数据比例、预测标签策略等（如损失函数为IC负数，LSTM层数为2，包含Self-Attention及早停机制）。

3. 加入财务数据

• 补充了成长、盈利、质量、偿债能力等9大类财务指标，用于提升因子多头端表现。
• 未直接将财务数据与日度量价指标作为输入层，而是将其转化为分位点后，在输出层前一层与量价数据结合。

4. 输出层优化

• 补充多因子相关性惩罚，尝试输出多个低相关因子，但训练成本增加，综合推荐单一输出因子。

三、深度学习因子绩效与比较

三大因子分类对比：

• 人工因子：RankIC 1110%（合成），等权综合因子表现优异。
• 遗传算法Alpha_185：RankIC 1214%。
• 深度学习因子：RankIC 917% (LSTM基础因子），加入财务数据后达到917%。

在中证1000指数增强方面，深度学习因子表现最佳，年化超额收益达1574%，且历年均为正收益。

四、因子改进示例（LSTM改进理想反转）

利用LSTM原损失函数添加相关性进行改进，改进后理想反转因子RankIC为-903%，优于原始因子2337%年化收益，并提升多空对冲效果。

五、风险提示

报告模型基于历史数据，市场未来可能发生重大变化，可能导致模型失效。

六、结论

• 遗传算法与深度学习在因子挖掘中表现优异，财务数据的引入有效提升了多头端表现。
• 深度学习模型在因子挖掘效率和精度上优于传统人工挖掘，且在特定市场环境下展现出更高收益。
• 因子模型存在历史依赖性，市场改变可能带来风险。