市場微觀結構系列（32）：深度學習賦能因子挖掘2.0，綜合應用方案.pdf

市場微觀結構系列（32）：深度學習賦能因子挖掘2.0，綜合應用方案。

開源金工因子挖掘 2.0 模型框架概覽

在《深度學習賦能交易行為因子》，我們初步提出了 1.0 因子挖掘框架：1、日度 變化類指標通過 LSTM，提取隱藏層；2、財務指標截面標準化后拼接在其后， 再通過 MLP 輸出為最終的因子。本篇報告將對 1.0 版本的因子挖掘框架進行升 級，主要為三點：1、變量的豐富；2、網絡的迭代；3、應用的升級。

基礎行情測試模型有效性

1、 對于網絡而言，本文選擇 GRU 和 GAT。對于 GAT 的關聯網絡我們嘗試了： 行業、財務、資金流三大維度，其中基于財務網絡挖掘出的因子多頭表現相 對最好。 2、 對于三種不同的 GAT 網絡而言，未來 10 日 RankIC 與過去 20 日 Barra 因子 收益存在一定相關性。相較于三個因子簡單等權，本文采取 SA 加權：在訓 練時加入一層可學習的 mlp 層，輸入端為 Barra 風格因子收益。 3、 進一步地，我們參考《深度學習賦能交易行為因子》，考慮財務后，因子績 效進一步提升，尤其多頭端提升較為明顯。其 10 日 RankIC 為 11.7%；多頭 超額收益為 24.1%，信息比例為 3.0；多空收益為 58.9%，信息比例為 5.1。

多特征集訓練

1、 G。該維度來自《深度學習賦能技術分析》，是基于基礎行情的衍生指標，包 含：技術指標和 K 線狀態變量。因子 10 日 RankIC 為 11.0%。 2、 C。該維度是大小單資金流相關特征，包含：1、原始數據；2、衍生指標；3、 狀態變量。因子 10 日 RankIC 為 10.6%。 3、 HF。該維度是高頻數據降維的日度特征。因子 10 日 RankIC 為 11.6%。 4、 DP。該維度是遺傳算法有效因子。因子 10 日 RankIC 為 11.4%。 5、 合成。ML_C 因子 10 日 RankIC 為 14.2%；多頭超額收益為 26.1%，信息比 例為 3.1；多空收益為 72.7%，信息比例為 6.1。

深度學習應用

1、多頭優選個股。在《深度學習賦能風格輪動和多策略融合》中，我們提出了 基于強化學習的風格輪動方案。本篇報告中，我們將選股和風格輪動融合在一起， 構建 Beta+Alpha 的深度學習優選組合。從 2020 年至今，全 A 優選 50 年化收益 38.52%，在中證 800+中證 1000 成分股內，優選 30 年化收益 26.18%。 2、行業輪動因子構建。采取自下而上的聚合，構建行業輪動因子，10 日 RankIC 為 9.27%。其還可用在上證 50 增強中，超額年化收益為 4.95%，信息比率為 2.28。 3、指數增強。使用 ML_C 進行指增，從 2020 年至今，不同寬基績效如下：滬 深 300 增強超額年化收益為 6.77%，信息比率為 2.06；中證 500 增強超額年化收 益為 10.72%，信息比率為 2.83；中證 1000 增強超額年化收益為 14.41%，信息 比率為 3.26。