华泰人工智能系列之三十四：再探_AlphaNet，结构和特征优化-20200824-华泰证券-25页_1mb

报告摘要

金工研究：AlphaNet模型优化与回测分析

核心内容

本文介绍了华泰金工对AlphaNet模型的两个改进版本AlphaNet-v2和AlphaNet-v3，并通过回测分析验证了其优化效果。AlphaNet-v1在2019年下半年表现不佳，因此从网络结构和特征提取两个角度进行了改进。

主要观点

AlphaNet-v2改进：
- 扩充了6个比率类特征，增强了模型对市场信息的捕捉能力。
- 将池化层和全连接层替换为LSTM层，以更好地学习特征的时序信息。
- 调整训练集与验证集的比例为4:1，更加关注近期样本的表现。
AlphaNet-v3改进：
- 扩充特征提取层，使特征提取层1和层2具有不同的回看区间（10和5）。
- 将LSTM层替换为GRU层，减少模型参数，同时保持性能基本一致。
模型性能提升：
- 在全A股和中证800成分股中，AlphaNet-v2表现优于AlphaNet-v1。
- 在中证500成分股中，AlphaNet-v3表现小幅优于AlphaNet-v2，但优势不显著。
模型对比：
- AlphaNet和“遗传规划+随机森林”模型各有优劣。
- AlphaNet的优势在于端到端学习、简化流程和灵活调整网络结构。
- AlphaNet的劣势在于可解释性较低和特征提取层有限。

关键信息

AlphaNet-v2测试结果

全A股：
- RankIC均值从9.72%提升至10.76%。
- ICIR从1.00提升至1.15。
- 年化超额收益率从17.17%提升至19.09%。
- 信息比率从2.73提升至3.13。
中证800成分股：
- RankIC均值从8.37%提升至8.63%。
- ICIR从0.73提升至0.75。
- 年化超额收益率从6.19%提升至7.84%。
- 信息比率从1.65提升至2.00。

AlphaNet-v3测试结果

中证500成分股：
- RankIC均值从9.05%提升至9.70%。
- ICIR从0.89提升至1.00。
- 年化超额收益率从9.40%提升至9.75%。
- 信息比率从2.19提升至2.30。

回测方法

数据准备：
- 股票池包括全A股、中证500成分股和中证800成分股。
- 剔除ST、PT股票，以及涨跌停或停牌的股票。
- 原始特征为个股日频量价信息，拼接成15*30的“数据图片”。
- 预测目标为个股10天后的标准化收益率。
- 回测区间为2011年1月31日至2020年7月31日。
模型训练与预测：
- 模型训练从2011年1月31日开始，每隔半年进行滚动训练。
- 样本内数据为过去1500个交易日的数据，训练集和验证集按时间先后4:1划分。
- 模型预测使用最新训练的模型预测个股未来10天的收益率。
- 为减少随机性影响，训练10个模型并取等权平均作为合成因子。
组合构建与回测：
- 构建行业市值中性的增强策略，年化超额收益率和信息比率为主要评估指标。
- 换仓方式为按当日vwap换仓，交易费用为单边千分之二，每次调仓双边换手率限制在60%。

回测结果对比

AlphaNet-v1 vs AlphaNet-v2：
- 全A股：年化超额收益率提升2.00%，信息比率提升0.38。
- 中证800成分股：年化超额收益率提升1.65%，信息比率提升0.35。
AlphaNet-v2 vs AlphaNet-v3：
- 中证500成分股：年化超额收益率提升0.35%，信息比率提升0.11。

风险提示

人工智能模型构建的选股策略是历史经验的总结，存在失效风险。
神经网络受随机性影响较大，模型可解释性较低，使用需谨慎。

总结

本文通过对AlphaNet模型的结构和特征优化，提升了模型在不同股票池中的表现。AlphaNet-v2和AlphaNet-v3分别在全A股、中证800和中证500成分股中表现出优于AlphaNet-v1的效果。同时，文章对比了AlphaNet与“遗传规划+随机森林”模型的优缺点，指出其在简化流程和灵活性方面的优势，以及在可解释性方面的不足。

展开完整摘要