深度学习如何提升手工量价因子表现

核心观点

• 将收益因子加入深度学习模型正交层，可以使深度因子与同源收益因子低相关，同时保持较好的选股效果，方便人工调整因子权重。
• 在正交层放入其他同源收益因子后，深度因子依然有非常良好的选股效果，IC大于0.02，IC IR大于6。
• 将深度因子与手工收益因子放在一起构建多因子组合时，与不放入深度因子相比，其全市场多头组合有明显的改善，但在不同指数增强组合中提升效果会有所波动。
• 正交层放入收益因子后，深度因子与多粒度因子相关性依然较低，共同构建全市场多头组合相比较单独使用多粒度因子有更好的表现，但受限于深度学习因子对于偏中、大市值股票收益预测能力的不足，对于指数增强组合改善效果并不明显。

关键数据和研究结论

• 日频深度因子IC IR高达7.804，多头胜率66.1%，多空胜率84.9%。
• 高频深度因子IC IR高达8.872，多头胜率72.6%，多空胜率87.3%。
• 深度因子与常用风险因子，收益因子相关性都非常低，最高相关性不到0.05。
• 在不考虑交易成本，不添加换手约束的前提下，添加深度因子后全市场多头组合年化收益提升1%左右，最大回撤也有一定抑制。
• 添加30%换手约束，并考虑双边0.3%的交易成本情况下，组合年化收益提升幅度更大，尤其以Rank MAE为Loss函数的因子在叠加后收益提升更加明显。
• 深度因子叠加多粒度因子在中证500增强中表现一般，哪怕最近两年也无法对组合有稳定的增强效果。
• 深度因子叠加多粒度因子在对应中证1000增强中表现也不显著，只有在严约束条件下加入以IC为Loss函数的深度因子其年化收益略有改善。

总结

通过将收益因子放入正交层，可以使深度因子与同源收益因子低相关，同时保持较好的选股效果，方便人工调整因子权重。然而，加入复杂正交层对于因子的拟合效果可能有显著的影响，全市场多头组合会有明显的收益提升，指数增强的提升效果则极不稳定。这可能是深度因子在模型训练过程中，会更倾向对于相对较容易预测中小盘股票进行优化，牺牲掉一部分对于中、大市值股票的预测能力的结果。因此，根据构建组合的实际需要，控制模型拟合程度，或者针对不同的因子使用场景进行样本权重的重新调配，或许是提升深度因子全市场表现的重要改进方向。