20170604-广发证券-ALPHA因子的再挖掘_深度学习新进展_41页_3mb

深度学习新进展：Alpha因子的再挖掘总结

核心内容

本文探讨了深度学习在金融领域的应用，特别是在Alpha因子的再挖掘方面。广发证券金融工程团队在2014年提出了一种基于深度学习的选股策略，该策略在2011年至2017年期间取得了显著的回测表现，年化收益率达20.3%，最大回撤为-4.77%，月度胜率高达88.0%。该策略通过深度神经网络模型对大量金融因子进行处理，以提高选股的准确性和收益率。

主要观点

• 深度学习在金融中的应用：深度学习技术在金融领域的应用逐渐增多，尤其是在选股策略中。通过深度学习模型，可以更有效地提取和处理金融数据，从而提高预测能力。
• Alpha因子的再挖掘：广发金工团队通过深度学习技术对传统Alpha因子进行了再挖掘，发现了一些与常见风格因子（如规模、反转、流动性、估值）相关性较低的因子，从而提高了模型的预测性能。
• 模型结构优化：通过网格搜索等方法，优化了神经网络的结构，选取了5层隐层的模型结构，输入层为156个特征（128个因子+28个行业），输出层为3个类别（上涨、平盘、下跌）。
• 激活函数与优化方法：使用ReLU及其变种作为激活函数，提高了模型的非线性拟合能力。同时，采用交叉熵作为目标函数，优化网络参数，以提高模型的训练效果。
• 模型性能评估：模型在训练集上的预测准确率为67.84%，在验证集上为62.32%。样本外IC值的平均值为0.092，标准差为0.065，显示了模型具有一定的预测能力。
• 交易成本与换手率影响：随着交易成本的增加，模型的年化收益率略有下降，但最大回撤也相应减少。这表明模型在实际交易中需要考虑交易成本和换手率的影响。

关键信息

• 调仓频率：从周频调整为月频，以降低换手和交易费用的损耗。
• 因子提取：从Wind终端提取数据，计算因子。常用的选股因子如规模因子、反转因子、PB、PE等本身具有一定的预测能力。
• 因子标准化：对因子进行标准化处理，包括异常值、缺失值处理，以及沿时间方向和截面的标准化。
• 模型训练：使用网格搜索方法，选取最优的模型结构（156-512-200-200-200-128-3）进行训练，优化网络参数。
• 模型性能：模型在训练集和验证集上的表现均优于随机猜测，显示出良好的预测能力。
• 交易策略表现：超配组合在对冲中证500指数的情况下，取得了良好的收益，且具有较高的胜率。
• 模型更新：通过滚动更新模型，模型在2013年后的回测表现有所增强，最大回撤也有所降低。

深度学习技术应用

• 无监督学习与监督学习：在样本足够多的情况下，深度学习模型可以直接进行监督学习训练，无需无监督预训练。
• Batch Normalization：通过标准化隐层输入，提高了模型的训练效率和稳定性。
• Dropout技术：通过随机丢弃部分神经元，减少了过拟合，提高了模型的泛化能力。

激活函数与优化方法

• ReLU及其变种：在深度学习模型中广泛应用，因其非线性特性、计算简单和避免梯度弥散问题。
• 优化目标函数：采用交叉熵作为分类问题的目标函数，提高了模型的训练效果。
• 参数优化方法：采用BP算法和迷你批量梯度下降算法，以优化网络参数。

实证分析

• 样本外表现：深度学习因子与常见风格因子的相关性不高，显示了其独特的预测能力。
• 模型更新效果：模型在更新后表现更优，年化收益率和最大回撤均有所改善。
• 交易成本影响：交易成本增加会导致年化收益率下降，但最大回撤也会相应减少。

风险提示

• 模型假设：本文基于一些合理假设，模型和结论可能无法完全准确地刻画现实环境。
• 数据偏差：由于采用的是过去的时间序列数据，可能会与未来真实情况出现偏差。
• 投资建议：本文内容并不适合所有投资者，客户在制定投资策略时，必须结合自身的环境和投资理念。

总结

本文通过深度学习技术对Alpha因子进行了再挖掘，展示了其在金融领域的应用潜力。通过调整模型结构、优化激活函数和目标函数，以及采用Batch Normalization和Dropout等技术，模型在实际交易中取得了良好的表现。然而，模型的假设和数据偏差可能导致其在实际应用中存在一定的局限性，投资者需谨慎对待。