2017-金融工程专题研究：递归神经网络RNN-长短期记忆细胞的多因子预测_23页-2mb

报告摘要

文档总结：递归神经网络（RNN）与LSTM在多因子预测中的应用

核心内容

本报告探讨了递归神经网络（RNN）及其变种长短期记忆网络（LSTM）在多因子选股模型中的应用。报告重点介绍了RNN和LSTM的结构特点、训练方法以及在实际投资中的表现，旨在评估深度学习方法在投资决策中的适用性。

主要观点

RNN与LSTM的结构差异：
- RNN通过循环结构处理时间序列数据，但存在长期依赖问题，即梯度消失。
- LSTM通过引入特殊的cell结构（忘记门、输入门、输出门）解决了RNN的长期依赖问题，能够更有效地捕捉时间序列中的长期信息。
多因子建模在RNN中的应用：
- 传统的多因子模型使用回归方法，而RNN将时间维度纳入模型，通过循环机制利用过去多期因子数据预测下一期收益率。
- 每个样本代表一只股票，其特征为因子数据，标签为T+1期的收益率。
训练与检验结果：
- 通过严格的训练集、测试集和样本外数据集划分，模型在交叉检验中准确率接近90%。
- 样本外数据回测显示，多空组合的胜率超过90%，超额收益显著。
- 模型对高、低收益预测效果较好，但对中性收益预测效果欠佳。
参数设定与优化：
- 使用了24个月的历史因子数据作为输入，隐层神经元个数为400，2层结构。
- 学习速率设为0.0001，batch size为1000。
- 模型参数在训练过程中逐渐稳定，权重变化较小，表明模型具有一定的鲁棒性。
模型表现与分析：
- LSTM在未优化参数的情况下表现优异，显示出其在处理时间序列数据上的优势。
- 输入层因子的权重绝对值之和可用于评估因子在模型中的贡献度，部分因子如RSTR_1M、HILO、STO_1M等权重较高，表明其在模型中具有重要影响。

关键信息

数据结构

使用面板数据，包含个股、时间、因子三个维度。
标签为T+1期的收益率，预测目标分为三类：上涨（>3%）、下跌（<-3%）、中性（-3%~3%）。

模型结构

LSTM由忘记门、输入门、输出门构成，通过门控机制控制信息的存储与输出。
LSTM的cell结构允许信息在时间维度上被长期保存和传递，解决了RNN的梯度消失问题。

训练与回测

训练集：2007年5月1日-2016年4月30日，样本量超过18万。
测试集：2016年5月1日-2017年4月30日。
样本外回测：使用2016-2017年的数据进行检验，模型在12个月内的胜率超过90%。

参数设置

RNN时间长度：24个月，即每个样本包含过去24个月的因子数据。
隐层神经元个数：400，2层。
学习速率：0.0001。
batch size：1000。
交叉检验比例：10%。

回测结果

样本内训练：损失率收敛，交叉检验准确率接近90%。
样本外检验：
- 多空组合最近12个月的胜率超过90%。
- 超额收益超过9%。
- 激活值用于选股，选择30%的高激活股票构建组合，进一步提高预测效果。

结论

LSTM在多因子预测中表现良好，尤其是在处理时间序列数据时，能够有效捕捉长期依赖关系。
模型在未优化参数的情况下已取得较高的准确率和显著的超额收益，表明其具有较高的实用性。
投资者应关注模型的参数优化和因子选择，以进一步提升模型的预测能力和投资效果。
随着深度学习技术的发展，其在投资领域的应用前景广阔，能够帮助投资者更好地理解市场动态并作出决策。

风险提示

报告内容仅供参考，不构成投资建议。
投资决策需结合个人投资目标和风险承受能力。
报告所用数据可能存在不完整或不准确的情况，实际使用需谨慎。

附录

分析师信息：
- 黄志文：huangzw@guosen.com.cn，电话：0755-82133928
- 陈镜竹：chenjz@guosen.com.cn，电话：0755-82130833-701336
相关研究报告：
- 《多因子系列研究报告之一：风险（Beta）指标静态测试》
- 《金融工程机器学习专题：Adaboost算法下得多因子选股》
- 《金融工程机器学习专题：SVM算法选股以及Adaboost增强》
- 《金融工程机械学习专题：基于KMeans聚类的多因子特征检验》