>> 廣發(fā)證券-多因子Alpha系列報告之(五十一)：基于深度學習的高頻數(shù)據(jù)因子挖掘-230811
| 上傳日期： |
2023/8/11 |
大?。?/td>
| 1234KB |
| 格式： |
pdf 共24頁 |
來源： |
廣發(fā)證券 |
| 評級： |
-- |
作者： |
羅軍,安寧寧,陳原文 |
| 下載權(quán)限： |
此報告為加密報告，僅限高級會員查看 |
|
|
機器學習高頻因子挖掘的優(yōu)勢：在多因子選股模型中，因子的開發(fā)和更新迭代變得越來越重要。與低頻因子相比，高頻數(shù)據(jù)在用于量化投資中存在一定優(yōu)勢，而高頻數(shù)據(jù)挖掘因子的難點在于數(shù)據(jù)維度大、噪聲高。機器學習方法擅長從數(shù)據(jù)中尋找規(guī)律和特征，是高頻數(shù)據(jù)因子挖掘的有力工具。
模型算法：本報告在預先將高頻信息處理成日頻因子之后，在日頻因子的基礎上，用深層全連接神經(jīng)網(wǎng)絡模型提取股票特征。模型采用了55個高頻數(shù)據(jù)低頻化的人工因子作為神經(jīng)網(wǎng)絡的輸入，在深層神經(jīng)網(wǎng)絡提取特征之后，對特征進行分析并篩選合適的選股因子。
實證分析：深度學習模型共獲得32個特征因子，這些特征因子與模型輸入的人工因子具有相對的獨立性，在創(chuàng)業(yè)板和中證1000股票池中展現(xiàn)出不錯的選股性能。在周度換倉的頻率下，雙邊千三計費后，在模型的訓練和驗證樣本外的過去三年里，hf18因子在創(chuàng)業(yè)板股票池中的Rank_IC為-6.79%，取得了27.25%的多頭年化收益率，相對于同期的創(chuàng)業(yè)板指數(shù)取得了25.50%的超額年化收益率，信息比為1.04；hf13因子在中證1000股票池中Rank_IC為6.63%，取得了11.25%的多頭年化收益率，相對于同期的中證1000指數(shù)取得了7.24%的超額年化收益率，信息比率為0.64。
風險提示：本專題報告所述模型用量化方法通過歷史數(shù)據(jù)統(tǒng)計、建模和測算完成，所得結(jié)論與規(guī)律在市場政策、環(huán)境變化時可能存在失效風險；策略在市場結(jié)構(gòu)及交易行為的改變時有可能存在策略失效風險。
|
|
