20171123-华泰证券-华泰人工智能系列之八_人工智能选股之全连接神经网络_28页_1mb

报告摘要

全连接神经网络选股模型研究总结

核心内容概述

本报告是华泰人工智能系列第八篇，旨在探讨全连接神经网络在股票市场中的应用。通过将神经网络与多因子结合，构建了一个用于个股涨跌预测的选股模型，并对模型进行了系统性测试。结果显示，全连接神经网络在预测能力、年化超额收益和信息比率方面优于线性模型，但在最大回撤方面表现略逊。

主要观点

神经网络的优势
- 神经网络具有强大的非线性拟合能力，能够模拟输入空间与输出空间之间的复杂映射关系。
- 全连接神经网络模型结构简单，易于理解和实现，同时具备较高的计算效率。
- 与线性模型相比，全连接神经网络在样本内训练和样本外测试中表现更优，特别是在分类准确率和F1-score方面。
模型构建与测试流程
- 模型构建包括特征和标签提取、特征预处理、样本内训练、交叉验证、样本外测试等步骤。
- 使用了70个因子作为输入特征，将个股分为“上涨股”、“中性股”和“下跌股”三类。
- 通过分层回测分析模型表现，使用组合1至组合5的净值、相对基准胜率、超额收益等指标评估。
模型表现
- 在样本外测试中，模型的正确率为42.9%，F1-score为38.0%，表现优于随机情况。
- 模型的年化超额收益在19.15%~25.36%之间，信息比率在2.81~3.35之间。
- 在分层回测中，组合1和组合5表现较为稳定，组合1的年化收益率和夏普比率显著优于基准组合。
参数设定与优化
- 网络结构为70-40-10-3，即输入层70个节点，两层隐藏层分别为40和10个节点，输出层为3个节点。
- 隐藏层使用tanh函数，输出层使用Softmax函数。
- 采用Adam优化函数，学习速率设定为平衡收敛速度和稳定性。
- 使用Dropout技术以降低过拟合风险。
模型的局限性
- 神经网络模型的预测结果依赖于输入因子的有效性，若市场环境变化，因子可能失效。
- 模型在样本外测试中表现良好，但最大回撤普遍高于线性模型。

关键信息

1. 激活函数

名称	特点
Sigmoid	将任意实数映射到[0,1]，适用于隐藏层和二分类输出层。
tanh	将任意实数映射到[-1,1]，适用于隐藏层，具有中心对称性。
Softmax	将N维实向量归一化到另一个N维实向量，适用于多分类输出层。
ReLU	稀疏激活性，避免梯度消失，适用于深度神经网络的隐藏层。

2. 模型评价指标

指标	定义说明
正确率（Accuracy）	分类正确的样本数量占总样本数量的比例。
F1-score	精确率和召回率的调和平均数，反映模型的综合分类能力。
夏普比率	衡量单位波动下的超额收益，用于评估投资组合的风险调整后收益。
最大回撤	投资组合从最高点到最低点的最大跌幅，衡量模型的风险控制能力。
信息比率	衡量单位波动下的超额收益，与夏普比率类似，但使用基准收益作为比较基础。

3. 分层回测结果（分五层）

组合	年化收益率	年化波动率	夏普比率	最大回撤	年化超额收益率	超额收益波动率	信息比率	相对基准月胜率	超额收益最大回撤
组合1	21.07%	26.27%	0.80	45.57%	9.10%	3.51%	2.59	76.54%	6.52%
组合2	13.22%	26.79%	0.49	48.34%	2.03%	2.79%	0.73	61.73%	4.05%
组合3	11.18%	26.46%	0.42	48.12%	0.19%	2.62%	0.07	43.21%	6.71%
组合4	3.13%	26.69%	0.12	50.79%	-7.06%	2.75%	-2.57	14.81%	38.16%
组合5	-6.67%	27.83%	-0.24	60.54%	-15.90%	4.22%	-3.77	11.11%	68.03%
基准组合	10.97%	26.64%	0.41	49.05%	-	-	-	-	-
多空组合	29.72%	6.77%	4.39	10.37%	-	-	-	-	-

4. 分层回测结果（分十层）

组合	年化收益率	年化波动率	夏普比率	最大回撤	年化超额收益率	超额收益波动率	信息比率	相对基准月胜率	超额收益最大回撤
组合1	42.63%	26.27%	1.10	45.57%	19.33%	7.48%	2.08	75.60%	7.48%
组合2	28.18%	26.79%	0.69	48.34%	18.86%	13.34%	1.44	62.20%	13.34%
组合3	32.91%	26.46%	1.04	48.12%	18.39%	11.87%	2.02	63.42%	11.87%
组合4	22.08%	22.79%	0.65	50.79%	16.93%	11.57%	1.75	65.85%	11.57%
组合5	34.60%	26.64%	1.08	60.54%	16.09%	10.19%	2.32	73.17%	10.19%
组合6	31.11%	22.79%	0.98	59.3%	15.64%	7.06%	2.08	69.51%	7.06%
组合7	32.91%	26.64%	1.04	62.1%	15.61%	10.19%	1.47	69.51%	10.19%