今天我们为大家带来最新的研报内容，来自广发证券金工团队的《风险中性的深度学习选股策略》。下面让我们来一起学习吧！https://mp.weixin.qq.com/s?__biz=MzAxNTc0Mjg0Mg==&mid=2653288319&idx=1&sn=e2be2ffda6b8c63f46a966790e8147ad&chksm=802e356ab759bc7c9a607ffb2145a020b454b2a97dac956684d484d5ed8bba5b09770d049dab#rd​mp.weixin.qq.com

风险中性的机器学习选股模型

模型训练：通过训练样本，确定模型结构，优化模型参数。

预测输出 Y 的维度：3。

输入特征 X 的维度：156(128个因子+28个行业) 通过网格搜索获取最优的模型结构。

选取模型结构为: 156(输入层)-512-200-200-200-128-3(输出层) 即一共包含5个隐层。

隐层节点数依次为：512(隐层1)、 200(隐层2)、 200(隐层3)、 200(隐层4)、 128(隐层5)。

提高深层神经网络选股性能的主要方法：1、采用relu等激活函数。

2、将优化目标函数MSE改成交叉熵。

3、Batch normalization技术。

4、Dropout技术。

采用Keras作为机器学习平台：1、可以选择Tensorflow、CNTK、Theano(目前已经停止更新)作为后端。

2、目前已经支持多GPU。

3、显卡选择：Nvidia GTX Titan XP, GTX 1080Ti, GTX Titan, GTX 1080, GTX1070, GTX 1060。

机器学习多因子选股模型:从股票特征中提取信息，对股票未来的收益进行预 测，选出能够产生超额收益的股票组合。

多因子选股模型：

挑选出未来一期能够产，生超额收益的股票。

↓↓↓

风险中性的多因子选股模型：

挑选出未来一期，在剥离风险因子影响后，能够产生的超额收益的股票。

如何实现上述目标? 针对具体的应用场景，构建适当的机器学习预测模型。

普通的样本标注方法

训练时，根据未来一期的股票涨跌幅来给样本贴“标签”：上涨、下跌、平盘同一时刻，按照涨跌幅进行排序，确定样本的输出标签。

行业中性的样本标注：寻找不同行业内能够跑出超额收益的股票

训练时，根据未来一期的股票涨跌幅来给样本贴“标签”：上涨、下跌、平盘 同一时刻，按照涨跌幅进行排序，确定样本的输出标签。

市值中性的样本标注：寻找不同市值区间内能够跑出超额收益的股票

训练时，根据未来一期的股票涨跌幅来给样本贴“标签”：上涨、下跌、平盘 同一时刻，按照涨跌幅进行排序，确定样本的输出标签。

风险中性的样本标注：更一般的方法

未来一期股票收益率对风险因子做线性回归，获得残差，按残差进行样本标注

策略与实证分析

策略流程

数据预处理

因子标准化：1、异常值、缺失值处理

2、极值压边界处理

3、沿时间方向的因子标准化

4、沿截面的因子标准化

5、按照机器学习模型来调整因子分布

风险中性的深度学习选股模型的IC

IC的平均值为0.082，标准差为0.108。

深度学习因子与流通市值的相关性：IC序列的相关性

经过行业和市值中性化之后，深度学习因子更少受到市值因子的影响。

深度学习因子与流通市值的相关性：截面相关性

经过行业和市值中性化之后，深度学习因子更少受到流通市值因子的影响。

回测参数设置调仓周期：10个交易日

股票池：中证500成份股，剔除ST股票，剔除交易日停牌和涨停、跌停的股票

超配组合：调仓时分10档，等权买入深度学习模型打分最高的一档

对冲基准：中证500指数

原始因子数据：估值因子、规模因子、反转因子、流动性因子、波动性因子、技术 指标，共计128个因子，以及28个行业0-1变量

风险因子：行业、流通市值

深度学习模型训练：每半年滚动更新模型，采用最近4年的样本作为训练集

策略回测：2011年1月-2018年4月30日

交易成本：千分之三

普通的深度学习选股策略

2011年以来，年化收益率19.71%，最大回撤 -5.35%，胜率为 69.5%，信息比2.47。

风险中性的深度学习选股策略

2011年以来，年化收益率21.95%，最大回撤 -5.03%，胜率为 74.6%，信息比2.92。

风险中性深度学习选股策略

年化收益率21.95%，最大回撤 -5.03%，胜率为 74.6%，信息比2.92

普通深度学习选股策略

年化收益率19.71%，最大回撤 -5.35%，胜率为 69.5%，信息比2.47

机器学习策略表现的同质性：不同策略的表现有一定的相关性

用普通深度学习模型的IC对风险中性深度学习模型的IC进行回归，R方为0.84。 说明两种策略的表现有较强的相关性。

机器学习策略每期组合的同质性：选取的组合有较大的差异

当组合规模N为50时，两种深度学习选股策略平均每期选到的股票有41.9%重合。(参考：两次独立的随机选股中，平均有10%重合。)

当组合规模N为100时，两种深度学习选股策略平均每期选到的股票有53.3%重合。(参考：两次独立的随机选股中，平均有20%重合。)

总结将风险因子中性化处理后，可以构建新的深度学习选股模型，该模型受风险 因子的影响较小。

2011年以来，中证500内选股对冲策略年化收益率21.95%，最大回撤 - 5.03%，胜率为 74.6%，信息比2.92。

即使是采用同样的特征和模型结构，风险因子中性化之后，训练的策略也会 有较大的差别，可以通过此方法丰富深度学习选股策略的多样性。本文旨在对所研究问题的主要关注点进行分析，因此对市场及相 关交易做了一些合理假设，但这样会导致建立的模型以及基于模型所得 出的结论并不能完全准确地刻画现实环境。而且由于分析时采用的相关 数据都是过去的时间序列，因此可能会与未来真实的情况出现偏差。本 文内容并不是适合所有的投资者，客户在制定投资策略时，必须结合自 身的环境和投资理念。

知识在于分享

在量化投资的道路上

你不是一个人在战斗