金融工程专题报告：深度学习因子选股体系

核心观点

• 特征提取：设计了五类差异化类网络结构（RNN-GAT、CNN-RNN-GAT、RNN-GAT2、RNN-GAT2-FUNDA、CNN-RNN-GAT2-FUNDA），基于日度行情、分钟行情和手工特征三类数据提取alpha特征，模型间平均相关性仅55%。
• Alpha信号：基于线性等权、树模型与专家网络三类加权方式将数百个神经网络特征集成为alpha信号，综合因子自2019年以来5日IC均值为13.3%，10日IC均值为15.0%，多头组合超额收益为49.0%。
• 风险模型：使用神经网络从原始量价数据中识别高维非线性风险模式，风险因子长期不暴露alpha，同时表现出对截面收益的高解释能力。
• 指增策略：
  • 沪深300指数增强组合：年化收益18.2%，超额收益14.2%，跟踪误差4.5%。
  • 中证500指数增强组合：年化收益22.4%，超额收益17.2%，跟踪误差4.8%。
  • 中证1000指数增强组合：年化收益29.8%，超额收益24.5%，跟踪误差5.4%。

关键数据和研究结论

• 日度行情：使用长序列行情数据（150日）提取因子特征，5类模型因子值相关性均值为60%，整体呈现低相关性。
• 分钟行情：2小时和半小时分钟线提取的因子与日行情因子相关性在60%附近，增量alpha贡献明显。
• 统计指标：简单统计特征和选股因子提取的因子相关性约为55%，信息增量明显。
• Alpha模型集成：
  • 简单等权：5日IC均值12.9%，10日IC均值14.5%，多头超额收益42.7%。
  • 树模型加权：5日IC均值11.9%，10日IC均值13.3%，多头超额收益43.1%。
  • 网络加权：5日IC均值12.3%，10日IC均值13.7%，多头超额收益44.9%。
  • 综合信号：5日IC均值13.3%，10日IC均值15.0%，多头超额收益49.0%。
• 风险模型：风险因子IC均值长期在0附近，但|IC|均值超过15%，2024年后解释能力增强。
• 指数增强组合：追求适配机构投资者的低换手指增模型，年单边换手率约5.5倍，组合绩效优于传统多因子模型。