开源量化评论：深度学习赋能技术分析

1. 基于技术指标的因子挖掘

• 直接使用LSTM挖掘： 使用股价数据（开、高、低、收、成交量）及衍生技术指标，直接通过LSTM模型挖掘因子，得到푳푺푻푴풕풆풄풉因子。该因子从2019年至今的RankIC为7.42%，10分组多空对冲年化收益为24.02%。
• 遗传算法挖掘有效技术因子： 使用遗传算法挖掘有效技术因子，再将这些因子与原始数据一起作为LSTM模型的输入，得到푳푺푻푴풅풆풂풑_풕풆풄풉因子。该因子从2019年至今的RankIC为9.27%，10分组多空对冲年化收益为32.44%，表现优于푳푺푻푴풕풆풄풉。푳푺푻푴풅풆풂풑_풕풆풄풉基本包含了푳푺푻푴풕풆풄풉的alpha信息，使用푳푺푻푴풕풆풄풉回归푳푺푻푴풅풆풂풑_풕풆풄풉后，残差基本不具备选股效果。

2. 基于图形识别的因子挖掘

• 图形识别的尝试与转变： 尝试使用CNN网络进行图形识别，但发现训练耗时较长，对算力要求高，且无法涵盖所有影响因素。因此，转为先人为定义图形状态，再将状态变量放入LSTM模型进行训练。
• 人工构建历史相似度因子： 基于人为定义的图形状态，构建了푇푒푐ℎ_푠푚푖푙푎푟푖푡푦（技术指标）和퐾_푠푚푖푙푎푟푖푡푦（K线）两个历史相似度因子，并合成得到푇푒푐ℎ_퐾_푠푚푖푙푎푟푖푡푦因子。该因子从2019年至今的RankIC为4.87%，10分组多空对冲年化收益为22.41%。
• 基于状态划分的深度学习因子： 将K线状态和技术指标状态放入LSTM模型进行挖掘，得到푳푺푻푴품풓풂풑풉因子。该因子从2019年至今的RankIC为9.01%，10分组多空对冲年化收益为32.25%。
• 푳푺푻푴품풓풂풑풉与푻풆풄풉_푲_풔풎풊풍풂풓풊풕풚相关性分析： 푳푺푻푴품풓풂풑풉因子与푇푒푐ℎ_퐾_푠푚푖푙푎푟푖푡푦因子相关性为51.48%，但相互回归后残差都具备一定的选股效果。

3. 综合的深度学习技术因子：푳푺푻푴풅풆풂풑_풕풆풄풉_품풓풂풑풉

• 结合不同维度的因子： 将푳푺푻푴풅풆풂풑_풕풆풄풉和푳푺푻푴품풓풂풑풉两个从不同维度出发构建的因子等权合成，得到푳푺푻푴풅풆풂풑_풕풆풄풉_품풓풂풑풉因子。
• 푳푺푻푴풅풆풂풑_풕풆풄풉_품풓풂풑풉因子绩效： 该因子从2019年至今的RankIC为10.89%，RankICIR为4.99，10分组多空对冲年化收益为37.28%，整体表现优异。
• 푳푺푻푴풅풆풂풑_풕풆풄풉_품풓풂풑풉在小市值域内的表现： 该因子在小市值域内的表现相对更加优异。在中证1000内，RankIC为9.76%，多空收益为37.47%，多头超额收益为12.67%。

4. 其他重要补充：与푳푺푻푴풑풓풐结合

• 푳푺푻푴풑풓풐因子： 基于基础量价指标、大小单资金流指标、分钟频聚成的日度指标、财务指标进行因子挖掘，得到푳푺푻푀푝푟표因子。
• 푳푺푻푴풅풆풂풑_풕풆풄풉_품풓풂풑풉与푳푺푻푴풑풓풐结合： 将푳푺푻푴풅풆풂풑_풕풆풄풉_품풓풂풑풉和푳푺푻푴풑풓풐因子等权合成，合成后的因子绩效更好。该合成因子从2019年至今的RankIC为11.93%，10分组多空对冲年化收益为39.85%，整体表现非常优异。合成后因子多头分组更加明显，多头超额年化收益从9.40%提升至11.34%，收益波动比从2.01提升至2.80。

5. 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。