量化模型与构建方式 深度学习选股模型 - 模型名称：深度学习选股模型 - 模型构建思路：通过深层神经网络，建立股票因子和未来收益率之间的关系，根据对个股收益率的预测进行选股[18] - 模型具体构建过程： - 输入层X包含156个特征，包括传统选股因子、价量技术指标和行业属性变量[18] - 模型采用7层深层神经网络，包括输入层X、输出层Y和5个隐含层H1、H2、H3、H4、H5[19] - 输出层Y有3个节点，表示股票未来走势的三种可能性：上涨、平盘、下跌[21] - 使用softmax激活函数，预测值为$\hat{\mathbf{y}}=[\hat{\mathcal{V}}_{1}\quad\hat{\mathcal{V}}_{2}\quad\hat{\mathcal{V}}_{3}]^{T}=\left[{\frac{e^{z_{1}}}{\sum_{i=1,2,3}e^{z_{i}}}}\quad{\frac{e^{z_{2}}}{\sum_{i=1,2,3}e^{z_{i}}}}\quad{\frac{e^{z_{3}}}{\sum_{i=1,2,3}e^{z_{i}}}}\right]^{T}$[21] - 损失函数采用交叉熵，优化目标为$E(w)=-\sum_{n=1}^{N}\sum_{k=1}^{K}[y_{n k}\log{\hat{y}}_{n k}+(1-y_{n k})\log(1-{\hat{y}}_{n k})]$[21] - 采用Dropout和Batch Normalization技术提高模型的泛化能力和训练效率[23] - 模型回测期为2011年1月至2019年2月，每半年更新一次，训练采用最近6年的市场数据[24] - 模型评价：深度学习选股模型能够从因子的非线性特征中获取额外信息，具有较好的应用前景[15] 组合优化模型 - 模型名称：组合优化模型 - 模型构建思路：在满足行业中性和风格中性约束，以及控制组合年化跟踪误差的约束条件下，以最大化组合收益率为目标函数，对组合权重进行优化[29] - 模型具体构建过程： - 结构化多因子风险模型将股票收益率分解为因子暴露、因子收益率和特质因子收益率三个部分，公式为$r_{i}=f_{m}+\sum_{k=1}^{I}x_{i k}^{I}f_{k}^{I}+\sum_{k=1}^{S}x_{i k}^{s}f_{k}^{s}+u_{i}$[25] - 股票收益率的协方差矩阵为$V=X F X^{T}+\Delta$[26] - 组合优化问题的目标函数为$\operatorname*{max}_{w}\,R_{p}(w)-T C(w,w_{0})$，约束条件包括控制跟踪误差、行业中性、风格中性、不允许做空和满仓运行[29][30][32] - 组合的预期收益率$R_{p}(w)=f_{D L}w^{\mathrm{T}}t$，交易成本$T C(w,w_{0})=t c\times{\frac{1}{2}}\|w-w_{0}\|_{1}$[30][31] 模型的回测效果 - 中证1000指数增强策略 - 年化超额收益：成份股内选股27.56%，全市场选股29.07%[50][84] - 超额收益最大回撤：成份股内选股-4.84%，全市场选股-5.09%[50][84] - 年换手率：成份股内选股15.07倍，全市场选股15.66倍[55][84] - 年化跟踪误差：成份股内选股6.11%，全市场选股6.42%[55][84] - 信息比：成份股内选股3.93，全市场选股3.77[55][84] - 中证500指数增强策略 - 年化超额收益：成份股内选股15.25%，全市场选股14.67%[62][84] - 超额收益最大回撤：成份股内选股-4.55%，全市场选股-4.55%[62][84] - 年换手率：成份股内选股14.36倍，全市场选股15.22倍[67][84] - 年化跟踪误差：成份股内选股5.30%，全市场选股5.79%[67][84] - 信息比：成份股内选股2.78，全市场选股2.74[67][84] - 沪深300指数增强策略 - 年化超额收益：成份股内选股7.26%，全市场选股13.11%[74][84] - 超额收益最大回撤：成份股内选股-4.36%，全市场选股-8.20%[74][84] - 年换手率：成份股内选股7.99倍，全市场选股8.71倍[79][84] - 年化跟踪误差：成份股内选股4.42%，全市场选股5.59%[79][84] - 信息比：成份股内选股1.74，全市场选股1.53[79][84] 量化因子与构建方式 深度学习因子 - 因子名称：深度学习因子 - 因子的构建思路：通过深层神经网络预测股票未来收益率，生成股票的上涨打分作为因子[23] - 因子具体构建过程： - 使用深层神经网络模型，输入层包含156个特征，输出层有3个节点，表示股票未来走势的三种可能性[18][19][21] - 采用softmax激活函数，预测值为$\hat{\mathbf{y}}=[\hat{\mathcal{V}}_{1}\quad\hat{\mathcal{V}}_{2}\quad{\hat{\mathcal{V}}}_{3}]^{T}$[21] - 损失函数采用交叉熵，优化目标为$E(w)=-\sum_{n=1}^{N}\sum_{k=1}^{K}[y_{n k}\log{\hat{y}}_{n k}+(1-y_{n k})\log(1-{\hat{y}}_{n k})]$[21] - 采用Dropout和Batch Normalization技术提高模型的泛化能力和训练效率[23] - 模型回测期为2011年1月至2019年2月，每半年更新一次，训练采用最近6年的市场数据[24] - 因子评价：深度学习因子能够从因子的非线性特征中获取额外信息，具有较好的应用前景[15] 因子的回测效果 - 中证1000指数增强策略 - IC均值：0.095[46] - IC_IR：0.795[46] - 中证500指数增强策略 - IC均值：0.069[58] - IC_IR：0.691[58] - 沪深300指数增强策略 - IC均值：0.039[70] - IC_IR：0.287[70]