华泰人工智能系列之九：人工智能选股之循环神经网络模型-20171124-华泰证券-31页-1mb

金工研究：循环神经网络选股模型分析

核心内容

本报告探讨了循环神经网络（RNN）在股票多因子选股中的应用，重点分析了传统RNN、LSTM和GRU三种模型的性能表现。研究结果显示，LSTM在年化超额收益率和信息比率上优于线性回归模型，但在最大回撤方面略逊一筹。同时，LSTM在样本外平均正确率和AUC值方面表现优于传统RNN，但整体上在月频多因子选股中不如XGBoost表现突出。

主要观点

• 模型优势：LSTM模型通过引入细胞状态和门控结构有效缓解了传统RNN的梯度消失问题，使其具备更强的时序预测能力。
• 模型表现：在样本外测试中，LSTM模型的平均正确率和信息比率优于线性回归模型，但最大回撤相对较高。
• 可解释性：通过分析LSTM模型训练过程中的权重变化，研究者能够部分打开“黑箱”，增强模型的可解释性。
• 局限性：由于月频数据量有限，LSTM在月频多因子选股中的综合表现不如XGBoost，未来可能在高频数据场景中进一步优化。

关键信息

模型性能对比

• 样本外平均AUC：传统RNN为0.5410，LSTM为0.5429，GRU为0.5576。
• 样本外平均正确率：传统RNN为56.85%，LSTM为58.57%，GRU为57.61%。
• 年化超额收益率：LSTM在全A选股的行业中性策略中表现优于线性回归，范围在20.36%～25.05%。
• 信息比率：LSTM在2.95～3.76之间，优于线性回归。
• 最大回撤：LSTM为13.13%～16.84%，略高于线性回归。

LSTM模型结构

• 细胞状态（Cell State）：作为LSTM的核心结构，负责信息的持久化。
• 门控结构：包括遗忘门、输入门和输出门，分别控制信息的遗忘、更新和输出。
• 隐藏状态：由细胞状态和门控结构共同决定，用于计算模型输出和损失。

GRU模型对比

• 结构简化：GRU将遗忘门和输入门合并为一个更新门，减少计算复杂度。
• 训练效率：在数据量大的情况下，GRU比LSTM更高效，但预测能力相近。

模型测试流程

• 数据获取：使用全A股，剔除ST股、停牌股和上市不足3个月的股票。
• 回测区间：2011-01-31至2017-10-31，分为7个阶段进行测试。
• 特征处理：包括中位数去极值、缺失值填充、行业市值中性化和标准化处理。
• 训练与测试：使用相同测试流程，训练集与验证集的比例为9:1，训练终止条件为连续10轮loss无显著提升。
• 模型评价：基于分层回测结果，评估模型的正确率、AUC、超额收益和最大回撤等指标。

模型测试结果

• LSTM权重变化：部分权重在迭代过程中显著变化，如In_capital因子权重随迭代增加而增大，说明其对预测有较大影响。
• 参数设置：
  • 输入维度：70，对应70个因子。
  • 输出维度：2，对应二分类。
  • 输入序列数目：5，表示使用过去5个月的因子数据。
  • 隐藏层数：2层，每层100个神经元。
  • Dropout率：0.2，防止过拟合。
  • 优化器：RMSProp，提高训练效率。
  • 学习速率：0.001，平衡收敛速度和稳定性。
  • 损失函数：categorical_crossentropy，适合二分类任务。

总结与展望

• 结论：LSTM在多因子选股中表现出较强的预测能力，但受限于月频数据量较小，其综合表现不如XGBoost。
• 未来方向：研究者计划在更高频、更大数据量的场景中进一步探索神经网络模型的潜力。
• 风险提示：循环神经网络选股策略存在市场风险，需注意模型失效的可能性。

图表目录

• 图表1：RNN的展开表示
• 图表2：RNN的主要形式
• 图表3：RNN主要参数
• 图表4：简化的RNN模型
• 图表5：LSTM的隐藏状态网络模型结构
• 图表6：细胞状态结构
• 图表7：遗忘门结构
• 图表8：输入门结构
• 图表9：细胞状态更新
• 图表10：输出门结构
• 图表11：GRU隐藏状态结构
• 图表12：循环神经网络模型构建示意图
• 图表13：选股模型中涉及的全部因子及其描述
• 图表14：分阶段回测模型选取示意图
• 图表15：LSTM网络结构
• 图表16：三种模型样本外正确率变化
• 图表17：三种模型样本外AUC变化
• 图表18：训练集和验证集正确率变化
• 图表19：训练集和验证集loss变化
• 图表20：In_capital因子对应的权重变化
• 图表21：assetturnover_ttm因子对应的权重变化
• 图表22：LSTM第一层参数的总体描述
• 图表23：LSTM第二层第一个神经元连接的权重值
• 图表24：LSTM第二层参数的总体描述
• 图表25：单因子分层测试法示意图
• 图表26：LSTM模型分层组合绩效分析
• 图表27：LSTM分类模型各层组合净值
• 图表28：LSTM分类分层组合净值除以基准组合净值
• 图表29：LSTM分类模型1相对沪深300月超额收益分布图
• 图表30：LSTM分类模型多空组合月收益率及累积收益率
• 图表31：LSTM分类模型组合在不同年份的收益及排名分析
• 图表32：不同市值区间LSTM分类模型组合绩效指标对比图
• 图表33：不同行业LSTM分类模型分层组合绩效分析
• 图表34：各种循环神经网络模型回测重要指标对比（全A选股）
• 图表35：各种循环神经网络模型回测重要指标对比（全A选股）
• 图表36：LSTM模型和线性回归模型策略组合回测分析表
• 图表37：各类模型全A行业中性选股策略表现