金融工程專題報告：深度學習因子選股體系.pdf

金融工程專題報告：深度學習因子選股體系。特征提取：基于“時序+截面”的基礎架構，我們設計了五類差異化類網絡 結構，這些網絡對同一輸入能得到低相關因子輸出?；谌斩刃星?、分鐘行情 以及手工特征三類數據，我們訓練了 10 個模型，模型間平均相關性僅 55%。

Alpha 信號：基于線性等權、樹模型與專家網絡三類加權方式，我們將數百 個神經網絡特征集成為 alpha 信號。綜合因子自 2019 年以來 5 日 IC 均值 為 13.3%，10 日 IC 均值為 15.0%，多頭組合超額收益為 49.0%。

風險模型：相較于傳統 barra 等風險模型基于投資邏輯構建風險特征，我們 用神經網絡通過端到端學習模式直接從原始量價數據中識別高維非線性風險 模式。風險因子長期不暴露 alpha，同時表現出對截面收益的高解釋能力。

指增策略：基于深度學習 alpha 信號與風險特征，我們構建系列指增策略： 1. 自 2019 年以來，滬深 300 指數增強組合年化收益為 18.2%，相比于 滬深 300 指數的超額收益為 14.2%，跟蹤誤差為 4.5%； 2. 中證 500 指數增強組合年化收益為 22.4%，相比于中證 500 指數的超 額收益為 17.2%，跟蹤誤差為 4.8%； 3. 中證 1000 指數增強組合年化收益為 29.8%，相比于中證 1000 指數的 超額收益為 24.5%，跟蹤誤差為 5.4%。