市场微观结构（24）：深度学习赋能交易行为因子

2024年05月24日 金融工程研究团队 ——市场微观结构（24） 魏建榕（首席分析师）证书编号：S0790519120001 魏建榕（分析师）weijianrong@kysec.cn证书编号：S0790519120001 盛少成（分析师）shengshaocheng@kysec.cn证书编号：S0790523060003 张翔（分析师）证书编号：S0790520110001 遗传算法绩效回顾 我们在《遗传算法赋能交易行为因子》中，创新性地提出“切割算子”，并结合其他算子和变量，利用改进的遗传算法流程，经过1轮10代的挖掘，得到了开源金工遗传算法因子：Alpha185。从2017年1月至2024年4月，合成后因子RankIC为12.14%，RankICIR为4.45，10分组多空年化收益为34.79%，信息比率为3.16，2022年6月份以来的样本外整体表现也较为优异。 傅开波（分析师）证书编号：S0790520090003 高鹏（分析师）证书编号：S0790520090002 深度学习挖掘因子 基于LSTM框架的因子挖掘，为本文主要讨论的部分，从输入层到输出层分为4部分：1、输入层。我们考虑了三大类变量：日频量价、分钟频量价、大小单资金流；2、中间主体模型。我们使用时序处理应用较多的LSTM模型；3、加入财务数据，弥补量价类因子多头端分层一般的劣势；4、输出层。我们对比了单输出和多输出的绩效差别。基于该框架，产生了三大月频因子：𝐿𝑆𝑇𝑀𝑖𝑛𝑖𝑡、𝐿𝑆𝑇𝑀𝑝𝑟𝑜、𝐿𝑆𝑇𝑀𝑝𝑟𝑜_𝑚𝑢𝑙𝑡𝑖： 苏俊豪（分析师）证书编号：S0790522020001 胡亮勇（分析师）证书编号：S0790522030001 王志豪（分析师）证书编号：S0790522070003 1、未考虑财务数据的𝐿𝑆𝑇𝑀𝑖𝑛𝑖𝑡RankIC为8.08%，RankICIR为3.99，已经具备较为优异的选股效果，但10分组多头较为一般，为量价类因子普遍的劣势。进一步地，我们引入财务数据去改善。 盛少成（分析师）证书编号：S0790523060003 2、对于财务数据而言，考虑到其时序变化较慢，我们并没有将其和日度变化的量价类指标一起作为初始输入层数据，而是将其转化为分位点后，放入输出层前一层，和量价类指标通过隐藏层后的神经元进行拼接，一起通过全连接层输出为最后的因子𝐿𝑆𝑇𝑀𝑝𝑟𝑜。该因子RankIC为9.17%，RankICIR为4.49，相较于𝐿𝑆𝑇𝑀𝑖𝑛𝑖𝑡整体的绩效有所提升，更为重要的是，多头端的分层效果更为优异。 苏良（分析师）证书编号：S0790523060004 何申昊（研究员）证书编号：S0790122080094 3、通过在原始损失函数的基础上加上多因子间的相关性惩罚，我们构建了多输出𝐿𝑆𝑇𝑀𝑝𝑟𝑜_𝑚𝑢𝑙𝑖𝑡，但是该因子绩效相较于𝐿𝑆𝑇𝑀𝑝𝑟𝑜并无显著提升，训练成本反而更高，所以𝐿𝑆𝑇𝑀𝑝𝑟𝑜为本文最后推荐的因子。 陈威（研究员）证书编号：S0790123070027 深度学习改进因子 除了因子挖掘，LSTM框架还可以尝试因子改进，本文我们以理想反转为例进行小篇幅展开，尝试使用LSTM对其进行改进，具体的做法即在原损失函数的基础上考虑与待改进因子的相关系数。改进理想反转因子的RankIC为-9.03%，RankICIR为-4.13，明显优于原始理想反转。 蒋韬（研究员）证书编号：S0790123070037 相关研究报告 人工因子、遗传算法因子、深度学习因子对比 对于人工因子而言，我们选取了8大因子：理想反转、APM、聪明钱、理想振幅、主动买卖、大单残差、小单残差、散户羊群效应，8大因子的等权合成综合因子RankICIR为4.59；遗传算法Alpha_185因子RankICIR为4.45；深度学习因子RankICIR为4.49。在多头超额上，深度学习因子表现最优，在中证1000指数增强上表现也最好。 《遗传算法赋能交易行为因子—市场微观结构（20）》-2023.8.6 《A股反转之力的微观来源—市场微观结构（1）》-2019.12.23 风险提示：本报告模型基于历史数据测算，市场未来可能发生重大改变。 目录 1、遗传算法因子Apha185绩效回顾............................................................................................................................................32、基于LSTM框架应用一：因子挖掘........................................................................................................................................42.1、输入层数据：3大类变量..............................................................................................................................................42.2、主体模型：LSTM............................................................................................................................................................52.3、输出层前一层：加入财务数据.....................................................................................................................................62.4、输出层：因子数量的讨论.............................................................................................................................................72.5、LSTM因子挖掘绩效汇总...............................................................................................................................................82.6、不同样本空间测试.........................................................................................................................................................92.7、深度学习因子与人工因子、遗传算法因子的对比分析............................................................................................103、基于LSTM框架应用二：因子改进......................................................................................................................................124、风险提示..................................................................................................................................................................................14 图表目录 图1：开源金工特色遗传算法整体流程.......................................................................................................................................3图2：开源金工遗传算法Alpha185因子合成后10分组表现较为优异....................................................................................4图3：开源金工特色LSTM因子挖掘整体流程...........................................................................................................................4图4：𝑳𝑺𝑻𝑴𝒊𝒏𝒊𝒕因子10分组表现较为优异，但多头端分组效果一般....................................................................................6图5：加入财务后构建的因子𝑳𝑺𝑻𝑴𝒑𝒓𝒐的10分组表现：多头端改善明显............................................................................7图6：多输出𝑳𝑺𝑻𝑴𝒑𝒓𝒐_𝒎𝒖𝒍𝒕𝒊的10分组对冲：相较于𝑳𝑺𝑻𝑴𝒑𝒓𝒐而言，收益波动比提升..................................................8图7：深度学习因子𝑳𝑺𝑻𝑴𝒑𝒓𝒐的中证1000指增净值表现较为优异........................................................................................9图8：人工因子、遗传算法因子、深度学习因子挖掘因子流程..............................................................................................10图9：人工因子RankIC统计：综合因子RankIC达到11.1%..................................................................................................11图10：人工因子、遗传算法因子和深度学习因子的中证1000指增超额净值对比..............................................................11图11：原始理想反转因子10分组多空对冲收益波动比为2.84..............................................................................................13图12：相较于原始理想反转，改进理想反转多空对