深度學習選股工程方式介紹

以下介紹的是基于 AE 自編碼模型的特征降維模型、基于 GAN 生成式對抗 網絡特征生成模型兩種選股特征工程方式，并探究該兩種特征工程在深度學習選股模型中的應用及效果。

1.基于 AutoEncoder 自編碼模型的特征降維

自編碼 AE 模型介紹

自編碼器（AutoEncoder）是一種無監督學習的神經網絡模型，用于學習數據的壓縮表 示。它由兩部分組成：編碼器（Encoder）和解碼器（Decoder）。自編碼器的訓練過程旨 在最小化重構誤差，即盡量使解碼器輸出的重構數據與輸入數據保持一致。通過這種方式， 自編碼器可以學習到數據的高級特征和結構，實現數據的降維和特征提取。訓練目的：最小 化輸入 x 和輸出 x 之間的差異（MSE），其中壓縮和解壓縮函數通過數據驅動方式學習。 編碼過程可以表示為一個 = ()函數，解碼過程可以用另一個 = ()函數表示。

基于 AE 模型的選股特征降維

特征維數的降低自然會提升模型計算效率。本文采用自編碼模型 AE 的目的在于壓縮特 征，從而減少特征維度，增加訓練速度，減少算力資源消耗，同時更要保證壓縮后的特征和 壓縮前信息損失盡可能小。本文初始特征為 40*18 的量價時序特征，為了方便進行降維，特 將二維特征展平為一維特征，同時采用 MLP 的編碼器將特征進行降維至(encoding_dim，1) 的一維特征。

基于 AE 降維的深度學習選股因子測試

在初始特征(40，18)的前提下，將特征展平為一維向量(40*18，1)，在給定降維目標維 數(_ < 40 ∗ 18)下對特征進行壓縮，壓縮后的特征形狀為( _, 1)。 在初始維度為 720（40*18）的情況下，為了探究降維目標維數對選股因子效果的影響， 本文分別假設目標降維維數_分別為 120、240、360、480，并在不同目標維數 參數下，將降維后的特征用以訓練 GRU 模型得到對應選股因子，后續將該模型命名為 AE_GRU 模型。 優點：降維后保持與初始特征均方誤差極低的情況下，其一維形狀的特征可以提升深度 學習模型訓練速度，節約計算資源；缺點：雖然降維后的特征與初始特征均方誤差(MSE)極 低，但時間步的忽略會壓縮原有特征時間步，損失較多內在時序信息。 降維效果表現：從 IC表現來看，降維至 240特征的 AE_GRU模型及 360特征的 AE_GRU 模型表現相對較好，IC 分別為 1.34%及 1.29%.從多頭表現來看，降維至 120\240\480 特征 的 AE_GRU 模型多頭組合年化收益率小于 0，而降維至 360 特征的 AE_GRU 多頭年化收益 率最高，為 4.82%。綜上所述，降維至 360 特征(_ = 360)時，選股因子效果表 現相對較好。

經過上述因子測試可看出，深度學習模型的選股效果并不會隨著降維目標維數的提升而 上市，_為 480 的 AE_GRU 模型并沒有較好的 IC 表現及多頭表現，同時其更 不具備較好的因子單調性（分組效果）。 進一步來看上述不同 AE_GRU 模型的多空組合收益。AE_GRU360 多空組合實現正收 益，為 8.78%，而 AE_GRU120/240/480 多空組合收益均小于 0。整體來看，AE_GRU360 模型綜合表現相對優秀。

進一步觀察上述模型多頭組合在每一年的表現，上述不同維度(120\240\360\480)的 AE_GRU模型多頭組合自 2018年至 2024年近 7年多頭組合平均年化收益率-3.98%、-2.83%、 2.48%、-3.71%。綜合來看，AE_GRU360 模型相對表現較好，后文將 AE_GRU360 模型命 名為 AE_GRU 模型，并用以做相應的指數增強策略。

2.基于生成對抗網絡 GAN 的選股特征生成

GAN 模型簡介

GAN 生 成式對抗網絡（Generative Adversarial Networks, GANs） ， 是由 Ian Goodfellow 等人于 2014 年提出的一種深度學習模型。該模型主要包括生成器（Generator） 和判別器（Discriminator）兩個部分。生成器的目標是生成看起來真實的數據，而判別器的 目標是區分真實數據和生成器生成的數據。兩者在訓練過程中相互競爭，從而使生成器生成 的數據越來越逼真。

GAN 特征生成模型構建

GAN 模型訓練過程的本質可稱為將無序的噪聲通過非線性變換，變成服從真實特征分 布的特征，在某種程度上可以稱之為錨定真實特征的降噪過程。而本文前述的 18 個量價特 征本身顯然不具備選股能力，對于深度學習模型的構建中，特征內部可能存在一定的噪聲。 因此本文提出問題：GAN 模型生成的特征能否讓深度學習模型更穩定，經過 GAN 模型處理 后的特征能否更容易為深度學習模型所接受？ LSTM 生成器+CNN 判別器：為了適配本文的量價特征模式，希望處理后的特征仍然能 保留時序的性質，因此本文采取可以保留輸入特征時序性的 LSTM 模型做為生成器（G）。 而量價時序特征本質上是二維數據特征“圖片”，因此本文則采取常用于二維圖像處理的 CNN 模型做為識別特征的判別器（D）。 卷積神經網絡(CNN)：一種專門用于處理網格化數據（如圖像、視頻）的深度學習模型， 核心思想是利用卷積層和池化層來有效地提取輸入數據的特征。CNN 能夠逐漸學習到輸入 數據的抽象特征，從而實現對復雜模式的學習和識別。本文將 CNN 模型用以匹配二維構造 的量價時序特征，并學習量價時序二維特征“圖片”的內在特性。

對于訓練完成的 GAN 模型，本文利用其中的生成器部分進行特征生成，具體生成器生 成特征的過程為輸入原始量價時序特征，Input_Shape=(40,18)，輸出經 LSTM 處理后的量 價時序特征，Input_Shape=(40,18)。

基于 GAN_GRU 的深度學習選股因子

GAN_GRU 模型：本文在原有（40，18）特征的基礎上，利用生成器生成新的（40， 18）的特征，并用新特征訓練 GRU 深度學習模型。超參數設置與單一 GRU 模型相同。 具體在模型搭建的訓練過程中，首先訓練 LSTM 生成器（G）+CNN 判別器（D）的 GAN 模型，最終可以得到 GAN 模型中的生成器；然后將已有的基本特征代入生成器中，由生成 器生成新的特征，最后將生成器生成的特征代入 GRU 模型進行訓練。最后落地到實際的收 益預測中，則同樣將基本量價特征輸入到生成器后，再輸入訓練好的 GRU 模型做預測。后 續本文將該因子命名為 GAN_GRU 因子。 回測時間為 2018-01-01 至今，周頻（5 交易日）調倉，每半年重新訓練一次模型。經 過回測，全 A 范圍內 RankIC 為 7.03%，RankIC 勝率 81.37%，多頭組合（前 10%）年化 收益率 18.00%，最大回撤率 41.75%。

GAN_GRU 因子分組測試來看，因子多頭組合（組 1）年化收益率 17.56%，最大回撤 率 41.55%，空頭組合（組 5）年化收益率為-20.48%，最大回撤率 82.87%；此外，多空組 合年化收益率 45.65%，最大回撤率 11.31%。

分年度回測來看，自 2018 年至 2024 年，GAN_GRU 因子多頭組合近 7 年來平均年化 收益率 16.00%；2024 今年以來年化收益率為-19.74%，相較于普通 GRU 模型（7 年平均年 化收益率 6.94%，2024 多頭年化收益率-40.21%）表現有所提升。

綜上所述，無論是 IC、因子多頭表現，還是因子多空收益表現，GAN_GRU 因子的表 現相較于普通 GRU 因子的表現均有不同程度的提升。基于普通量價時序特征的 GRU 模型 雖然能夠學習出具備一定效果的選股因子，但該特征經過 GAN 模型處理后，得到的新特征 在 GRU 此類深度學習模型中能容易學習到量價時序信息與未來收益之間的關系。可以說對 于原有量價時序特征，GAN 模型可以達到一定程度的“降噪”作用。