量化模型与构建方式 1. 模型名称：风险中性的深度学习选股模型 模型构建思路：通过对股票样本进行风险中性化处理，减小风险因子轮动和行业轮动对模型训练和预测的影响[3] 模型具体构建过程： - 首先，对股票样本进行风险中性化处理，通过截面回归剥离风险因子影响，寻找在相同行业和相似市值区间内的强势股票和弱势股票进行样本标注[3] - 使用传统选股因子和技术指标作为输入特征，训练深度学习预测模型，对股票未来走势进行预测打分和选股交易[4] - 模型采用7层深层神经网络，输入层包含156个特征，输出层为3个节点，分别表示股票未来走势的三种可能性：上涨、平盘、下跌[23][24] - 隐含层激活函数采用ReLU，输出层激活函数采用softmax[33][66] - 模型训练时采用Dropout和Batch Normalization技术提高泛化能力和训练效率[38] 2. 模型名称：普通深度学习选股模型 模型构建思路：通过历史数据训练深度学习模型，预测股票未来走势，未进行风险中性化处理[39] 模型具体构建过程： - 对股票样本进行标注，根据未来10个交易日的涨跌幅将股票分为上涨、平盘、下跌三类[39] - 使用传统选股因子和技术指标作为输入特征，训练深度学习预测模型[4] - 模型结构与风险中性模型相同，均为7层深层神经网络[23][24] 模型的回测效果 1. 风险中性的深度学习选股模型 - 年化收益率：21.95%[4] - 最大回撤：-5.03%[4] - 胜率：74.6%[4] - 信息比率（IR）：2.92[4] 2. 普通深度学习选股模型 - 年化收益率：19.71%[77] - 最大回撤：-5.35%[77] - 胜率：69.5%[77] - 信息比率（IR）：2.47[77] 量化因子与构建方式 1. 因子名称：行业中性因子 因子构建思路：通过将股票按行业划分，在同一行业内进行收益率排序，选出每个行业内跑赢和跑输的股票，避免行业轮动的影响[43] 因子具体构建过程： - 将全市场股票按申万一级行业划分[43] - 在同一时间截面对不同行业内的股票进行收益率排序，选出每个行业内跑赢和跑输的股票[43] 2. 因子名称：市值风格中性因子 因子构建思路：通过将股票按市值区间划分，在同一市值区间内进行收益率排序，选出每个市值区间内跑赢和跑输的股票，避免市值风格切换的影响[46] 因子具体构建过程： - 将全市场股票按不同市值区间划分[46] - 在同一时间截面对不同市值区间内的股票进行收益率排序，选出每个市值区间内跑赢和跑输的股票[46] 3. 因子名称：风险中性因子 因子构建思路：通过回归方法剥离多个风险因子的影响，选出剥离风险因子后收益率在前10%的股票[48] 因子具体构建过程： - 假设考虑K个风险因子，通过回归方法对风险因子进行剥离[48] - 回归公式为： $r_{i}^{t+1}=X_{i1}^{t}f_{1}^{t}+X_{i2}^{t}f_{2}^{t}+\cdots+X_{i K}^{t}f_{K}^{t}+\epsilon_{i}^{t}$ - 按照回归残差在同一时间截面进行排序，选出剥离风险因子后收益率在前10%的股票[48] 因子的回测效果 1. 行业中性因子 - 因子IC：0.082[68] - 因子IC标准差：0.108[68] 2. 市值风格中性因子 - 因子IC：0.082[68] - 因子IC标准差：0.108[68] 3. 风险中性因子 - 因子IC：0.082[68] - 因子IC标准差：0.108[68]