基于量價與基本面結合的深度學習選股策略.pdf

基于量價與基本面結合的深度學習選股策略。本文是深度學習揭秘系列報告第一篇。因此本文從基礎的神經網絡理論部分 入手，介紹了神經元結構、Relu、Sigmoid 等常用激活函數、反向傳播算法， 以及后文中用到的 Adam 優化器與 Dropout 層。

非線性模型更能挖掘量價因子的潛力。本文以開源 Alpha158 作為量價因子 集，以及常見的估值、成長、質量、分析師一致預期等因子作為基本面因子 集進行基礎研究，采用線性模型 Lasso 和非線性模型 MLP 分別對量價與基本 面因子進行合成。結果顯示，非線性 MLP 模型相較于線性 Lasso 模型在量價 因子上優勢較明顯，MLP 模型的 5 日 RankIC 較 Lasso 模型提升 1.82pct，費 后多頭超額收益提升 9.42pct；20 日 RankIC 較 Lasso 提升 1.94pct，費后 多頭超額收益提升 6.54pct。但非線性模型的優勢在基本面因子上不突出， MLP 模型長期表現與 Lasso 模型幾乎持平。我們認為可能有幾個原因：1）基 本面因子之間結合的邏輯偏線性，而量價因子的非線性組合可能包含增量信 息。2）部分基本面因子在財報真空期值不變，而標簽 Y 卻每天有變動。3） 基本面因子數量相較于量價因子偏少。

端到端的分支網絡結合量價與基本面更具優勢。前文我們用全連接神經網絡 分別結合了量價與基本面因子，但如何進一步將量價因子與基本面因子相結 合是我們關心的另一方面。我們從基礎的線性結合方式入手，嘗試等權結合 與 ICIR 加權結合前文神經網絡擬合的量價與基本面因子，結果表明線性結 合的因子較難戰勝純量價因子。5 日純量價因子的 RankIC 為 12.39%，純基 本面因子 RankIC 為 7.32%，等權因子 RankIC 為 11.64%，ICIR 加權因子 RankIC 為 12.37%。因此我們更進一步，采用分支網絡端到端計算量價與基 本面的子因子合成，以及量價與基本面因子的權重生成。結果顯示，5 日分 支網絡合成因子 RankIC 為 12.9%，相較于原始量價因子提升 0.51pct，多頭 超額年化收益為 10.85%，提升 2.54pct，多空超額年化收益為 132.21%，提 升 9.77pct。在 20 日的維度同樣也優于其他合成方式。

基于長短期收益預測的混頻組合。5 日因子對短期收益的預測效果更好，而 20 日因子對長期收益的預測能力更佳。因此我們以 20 日因子的多頭組合為 底倉，與 5 日因子排名靠前的股票取交集進行高頻調整。與前 25%的 5 日因 子取交集，多頭超額提升 6.98pct，與前 50%取交集提升 4.79pct，與前 75% 取交集提升 3.26pct。且交集股票范圍越小，換手越高，因此這是一個以提 高換手率獲取更高收益的組合思路。另外，我們發現混頻組合的最大回撤會 更接近于底倉 20 日組合的最大回撤，因此提高了收益的同時最大回撤并無 顯著增加。

基于低頻量價、高頻量價、基本面因子的中證 1000 指增策略。在 20 日調倉 的換手下，限制 100%指數成分股內選股，個股權重最大偏離 0.5%，行業最 大偏離 3%，風格最大偏離 0.01 的約束條件，中證 1000 指增組合 2015 年至 2024 年 5 月 31 日年化收益為 11.59%，年化信息比為 3.56，單邊年化換手 率 7.61。相對中證 1000 全收益的年化超額收益為 13.17%，收益波動比為 3.77，收益回撤比為 5.06。今年超額收益為 3.73%。