选股因子系列研究（九十三）——深度学习因子的“模型动物园”

发表时间： 2024-01-30 来源：海通证券

【内容提要】

在系列前期报告中，我们基于不同颗粒度的特征，使用RNN类模型训练得到深度学习因子。本文在此基础上，对比和讨论不同类别深度学习模型训练得到的因子的周度选股能力，并对于多模型集成因子的效果进行测试与分析。

    卷积类模型呈现出显著的周度选股能力。其中，TCN类模型表现较优，因子周均Rank IC和极值组合超额收益与BiAGRU模型接近。BiATCN周均Rank IC为0.137，Top10%组合年化超额收益33.8%。

    Transformer类模型呈现出显著的周度选股能力，但略弱于BiAGRU模型。其中，Transformer表现最优，Informer次之，PatchTST相对较弱。Transformer模型周均Rank IC为0.129，Top10%组合年化超额收益30.6%。

    线性类模型呈现出显著的周度选股能力，但明显弱于BiAGRU模型。其中，TSMixer表现最优，DLinear和RMLP次之，RLinear相对较弱。TSMixer周均Rank IC为0.12，Top10%组合年化超额收益26.8%。此外，在引入DLinear对输入特征的进行处理后，DBiAGRU的极值组合超额收益小幅提升。

    多模型集成。不同模型训练得到的因子之间虽然存在较高的截面相关性，但极值组合的历年多头超额收益依旧有一定的差异，尤其是对比BiAGRU和其余模型。通过简单的分析可知，不同模型对量价信息的学习和调整速度并不一致，使得它们在特定时段的表现出现分化。由于模型的网络结构、超参数选择等因素皆会影响模型对量价信息的学习和调整，我们尝试将不同网络训练得到的因子等权集成，希望获得更稳健的因子表现。

    集成模型表现更优。BiAGRU模型叠加BiATCN或Transformer后，因子表现进一步提升。周均Rank IC在0.14以上，Top10%组合和Top100组合的年化超额收益分别为34%和40%左右。综合来看，+BiATCN模型和+BiATCN+Transformer模型的周度选股能力更强。

    AI指数增强。以BiAGRU模型为基础，再与其他模型集成后，全市场选股的中证500增强组合的年化超额收益从16.5%提升至17.4%-18.5%；全市场选股的中证1000增强组合年化超额收益从22.5%提升至24.3%-25.1%，80%成分股约束的中证1000增强组合年化超额收益从20.0%提升至20.5%-21.4%。其中，BiAGRU+BiATCN和+BiATCN+Transformer模型的超额收益相对更高。

    风险提示。市场系统性风险、资产流动性风险、政策变动风险、因子失效风险。

选股因子系列研究（九十三）——深度学习因子的“模型动物园”.pdf

声明

海通证券股份有限公司（以下简称“本公司”）发布的证券研究报告仅提供给本公司特定客户使用。本公司不会因接收或阅读本公司的证券研究报告而视其为客户。本海通证券官方网站（www.htsec.com）刊发的证券研究报告为经合法授权发布，本公司证券研究报告的授权刊载详见海通证券网站的相关业务公告。本公司郑重提醒公众投资者，请审慎使用从网络或其他媒体、机构获取的未经授权刊载或者转发的本公司证券研究报告。本公司的证券研究报告仅向特定客户传送，未经海通证券研究所书面授权，研究报告的任何部分均不得以任何方式制作任何形式的拷贝、复印件或复制品，或再次分发给任何其他人，或以任何侵犯本公司版权的其他方式使用。未经授权刊载或者转发证券研究报告的，应当承担相应的法律责任。在任何情况下，本公司证券研究报告均不构成对任何人的投资建议，本公司也不对任何人因使用本公司证券研究报告所载任何内容所引致的任何损失负任何责任。市场有风险，投资需谨慎。本公司所载的信息、材料及结论只提供特定客户作参考，不构成投资建议，也没有考虑到个别客户特殊的投资目标、财务状况或需要。客户应考虑本公司研究报告中的任何意见或建议是否符合其特定状况。任何机构或个人在决定投资前，务必审慎决策、自担风险。