权益配置因子研究 09：基于GRU、TCN模型的深度学习因子选股效果研究

核心观点

深度学习模型在选股应用中展现出良好效果。本报告使用GRU和TCN模型训练深度学习因子，并测试其选股效果。结果显示，GRU模型表现略好于TCN+GRU和TCN模型；预测10日收益的模型略好于预测5日收益的模型。

关键数据

• 输入数据集：30日、60日、30周行情数据，包含高、开、低、收、均价、换手率6个特征。
• 预测标签：t+1日至t+6日的5日均价涨跌幅，以及t+1日至t+11日的10日均价涨跌幅。
• 训练过程：滚动训练，每年训练一个模型，使用前9年数据为训练集，第10年为验证集。
• 损失函数：预测值与收益率的相关系数取负。

研究结论

• 单因子选股效果：
  • 深度学习因子在中小市值股票池（中证1000、中证2000）中选股效果更佳，在沪深300中，原始值效果优于市值行业中性化后的因子值。
  • 深度学习因子与低波动、低流动性因子相关性较高，与反转因子有一定相关性，与分钟高频因子、快照因子、基本面因子相关性较低。
  • GRU模型略好于TCN+GRU和TCN模型；预测10日收益的模型略好于预测5日收益的模型。
• 复合因子选股效果：
  • 等权加权后的复合因子效果均好于单因子。
  • 控制市值行业无暴露，构建指数增强策略，2017年以来沪深300、中证500、中证1000、中证2000指数增强策略均取得显著超额收益。
  • 允许市值行业适当暴露，指数增强策略超额收益有所下降，但依然保持较高水平。