20170711-广发证券-深度学习研究报告之三_深度学习新进展_Alpha因子再挖掘_29页_1mb

深度学习新进展：Alpha因子再挖掘总结

核心内容

本报告探讨了深度学习在股票市场中的应用，尤其是其在选股策略中的表现。通过引入深度学习技术，结合市场数据和特征工程，构建了一个新的深度学习选股策略，以期在股票市场中实现超额收益。报告分析了该策略在不同时间段的表现，并与传统风格因子进行了对比，同时探讨了模型优化与更新对策略效果的影响。

主要观点

• 人工智能在量化投资中的应用：随着深度学习技术的发展，人工智能在量化投资领域迅速崛起，许多知名对冲基金和投资银行已开始布局AI技术。
• 深度学习选股策略的构建：本报告提出了一种基于深度学习的选股策略，通过深度学习模型对股票进行预测打分，选出未来走势较强的股票。
• 调仓频率调整：与传统的周频调仓策略相比，本报告提出的策略为月频调仓，降低了交易成本，提高了策略的稳定性。
• 特征选择与处理：报告中使用了156个特征，包括估值因子、规模因子、反转因子、流动性因子、波动性因子、技术指标和行业属性。对这些特征进行了标准化处理，以提高模型的训练效果。
• 模型优化技术：报告中引入了ReLU激活函数、Dropout技术、Batch Normalization等深度学习技术，提升了模型的性能和泛化能力。
• 模型更新的重要性：通过定期更新模型，策略在2013年后的表现明显优于不更新的模型，证明了模型更新对策略效果的提升作用。

关键信息

深度学习技术进展

• 引入了ReLU、Dropout、Batch Normalization等技术，显著提升了深度学习模型的性能。
• 神经网络结构包括输入层、隐层和输出层，其中隐层的结构经过网格搜索优化。
• 预测模型的输出层采用softmax激活函数，输出三个类别：上涨、平盘和下跌。

深度学习选股策略

• 每次调仓时，从全市场选取10%的股票进行配置，使用中证500指数对冲。
• 实证策略在样本外的年化收益率为20.3%，最大回撤为-4.77%，月度胜率为88.0%。
• 选股因子与传统风格因子（如规模、反转、流动性、估值）相关性不高，具有独特性。

模型优化与更新

• 通过网格搜索确定了最优的隐层结构，包括5个隐层，节点数分别为512、200、200、200和128。
• 模型在样本内的预测准确率为67.84%，在验证集为62.32%，显著优于随机预测。
• 模型更新（从2010年数据更新到2012年数据）后，年化收益率提高至25.71%，最大回撤降低至-3.34%。

风险提示

• 策略并非百分百有效，市场结构和交易行为的变化可能影响模型效果。
• 需要关注交易成本对策略表现的影响，随着成本增加，策略收益略有下降。

策略流程

1. 股票池筛选：剔除上市时间不足一年、ST股票以及交易日停牌或涨停/跌停的股票。
2. 数据预处理：包括异常值处理、极值压边界、时间方向和截面方向的标准化。
3. 模型训练与预测：使用2007-2010年的数据进行训练，2011年后的数据进行回测。
4. 调仓与选股：每20个交易日调仓一次，根据预测打分选出前10%的股票构成组合。
5. 对冲策略：使用中证500指数对冲，以控制市场风险。

实证分析

• 年化收益率：在样本外，年化收益率为20.3%，最大回撤为-4.77%，月度胜率为88.0%。
• 交易成本影响：当交易成本提高时，策略表现有所下降，但整体仍表现良好。
• IC表现：深度学习选股因子的IC平均值为0.092，标准差为0.065，大部分情况下为正值。
• 分档表现：选股因子值越高的股票，整体表现越好，具有良好的单调性。

模型更新效果

• 模型2010（未更新）：年化收益率为22.24%，最大回撤为-4.77%。
• 模型2012（更新）：年化收益率为25.71%，最大回撤为-3.34%。
• 模型更新显著提升了策略的收益和风险控制能力。

结论与建议

• 深度学习在股票市场中具有良好的应用前景，特别是在选股策略方面。
• 深度学习选股因子与传统风格因子相关性不高，可以作为新的选股因子与传统因子进行组合。
• 建议定期更新模型以适应市场变化，提高策略的稳健性和收益表现。
• 交易成本是影响策略表现的重要因素，应尽量控制成本以提高策略的有效性。

附录：图表索引

• 图1：深度学习1.0策略收益曲线
• 图2：深度学习的层级结构
• 图3：神经元示意图
• 图4：逻辑函数输入输出图
• 图5：神经网络示意图
• 图6：深层神经网络示意图
• 图7：Sigmoid激活函数和正切激活函数
• 图8：ReLU激活函数
• 图9：Dropout示意图
• 图10：Batch Normalization效果
• 图11：基于深度学习预测模型的Alpha策略示意图
• 图12：深度学习选股策略流程图
• 图13：深度学习策略数据预处理示意图
• 图14：深度学习策略股票样本筛选示意图
• 图15：深度学习模型预测效果
• 图16：深度学习选股因子的IC
• 图17：深度学习选股因子的分档表现
• 图18：深度学习选股因子的分档累积收益率
• 图19：深度学习选股因子的分档累积收益率
• 图20：深度学习选股策略的每期调仓换手率
• 图21：交易成本提高之后的策略表现
• 图22：深度学习选股因子与风格因子相关性
• 图23：模型更新的对冲策略表现对比

表格索引

• 表1：深度学习1.0策略输入变量选取
• 表2：深度学习选股对冲策略分年度表现
• 表3：不同交易成本下对冲策略的表现
• 表4：模型更新后对冲策略的表现对比