量價時序特征挖掘模型在深度學習因子中的應用.pdf

量價時序特征挖掘模型在深度學習因子中的應用。深度學習模型在選股初探 。本文首先構建了基于門控循環單元網絡（GRU）的深度學習選股模型，通過 兩層 GRU 層及多層感知器（MLP）神經網絡來預測股票收益。模型利用收盤 價、開盤價、成交量等 18 個量價特征，對 2018 年 1 月 1 日至今的數據進行 訓練和回測。結果表明，GRU 模型在回測區間內的 RankIC 為 3.14%，多頭 組合年化收益率 11.40%，最大回撤率 42.78%，展現出一定的選股能力。

基于 AE自編碼模型的選股特征降維。 本文采用自編碼模型（AE）壓縮特征來減少數據維度，提高模型訓練速度和 減少算力消耗。本文采用 AE 模型將原始的 40*18的量價時序特征降維至一維 特征，并測試了不同降維目標維度對選股模型的影響。結果顯示，特征降維后 的模型存在信息損失，整體效果相對于 GRU模型因子表現有所下滑。而在 360 特征的情況下，AE_GRU模型表現相對優秀，因子 IC均值為 1.29%，多頭年 化收益率為最高的 4.82%，多空組合年化收益率 8.78%，多空組合最大回撤率 12.30%。

基于 GAN 生成式對抗網絡的選股特征生成。 基于提升模型效果的角度，本文采用生成對抗網絡（GAN）生成新的量價時序 特征來增強深度學習模型的選股能力。本文構建了 LSTM 生成器和卷積神經網 絡（CNN）判別器的 GAN模型，用以生成新的 40*18的特征，并利用這些新 特征訓練 GRU深度學習模型。回測結果顯示，GAN_GRU 因子在全 A 范圍內 的 RankIC 為 7.03%，多空組合年化收益率 46.64%，最大回撤率 11.31%，其 中多頭組合年化收益率 18.00%，最大回撤率 41.75%。

多角度特征工程的深度學習指數增強策略：本文基于 AE 特征降維、GAN 特 征生成兩個不同角度特征工程分別構建滬深 300和中證 1000指數增強策略。 滬深 300指數增強策略：AE_GRU因子構造的滬深 300指數增強相對指數年 化超額收益率 2.94%，整體表現優于普通 GRU指數增強策略。GAN_GRU因 子下的滬深 300指數增強策略相對指數年化超額收益率為 15.02%，策略表現 優于普通 GRU 因子及AE_GRU 因子。 中證 1000指數增強策略：全區間來看，AE_GRU指數增強相對中證 1000指 數年化超額收益率 4.18%，相對于普通 GRU模型表現較差。GAN_GRU 因子 下的中證 1000 指數增強策略相對指數年化超額收益率 17.54%，相對于 AE_GRU 及 GRU 因子效果提升明顯。