因子切割论与深度学习的结合应用——市场微观结构研究系列（28）

因子切割论回顾

• 核心观点： 市场信息在时间轴上分布不均匀，因子切割论通过切割可加性目标变量，结合有区分能力的切割指标和再加工方法，剖析市场精细结构。
• 要素： 对象（可加性目标变量）、刀法（有区分能力的切割指标）、产出（对切割后变量的再加工）。
• 案例： 理想反转因子通过高低成交金额日的涨跌幅加总之差构造，体现了大单成交与反转效应的正相关性。

DBD-GRU模型

• 核心观点： 将因子切割论与GRU模型结合，构建双分支差异网络模型（DBD-GRU），提升模型信息提炼能力和预测效果。
• 模型结构： 使用切割指标生成掩码，将数据分别输入两个GRU分支，取两个分支最后一个时间步的差异输入输出层。
• 改进对象： 理想反转因子、理想振幅因子、主动买卖因子。

研究结果

• 切割论因子表现： 理想反转因子和理想振幅因子表现优异，十分组多空年化收益均超20%。
• GRU模型提升： GRU模型下，因子表现均有较大提升，分组收益单调性改善。
• DBD-GRU模型提升： DBD-GRU模型下，因子表现进一步提升，理想振幅-DBD提升最明显，多空年化收益超33%。
• 模型增量： DBD-GRU模型在剔除切割论因子和GRU模型因子后仍有较强预测能力。
• 宽基指数表现： DBD-Combine因子（等权合成）在沪深300、中证500、中证1000中均表现稳健，指增组合年化超额收益分别为7.64%、7.23%、11.8%。