>> 海通證券-選股因子系列研究(八十八)：多顆粒度特征的深度學(xué)習(xí)模型，探索和對比-230911
| 上傳日期： |
2023/9/12 |
大小： |
3126KB |
| 格式： |
pdf 共19頁 |
來源： |
海通證券 |
| 評級： |
-- |
作者： |
馮佳睿,袁林青 |
| 下載權(quán)限： |
此報告為加密報告，僅限高級會員查看 |
|
|
在本系列的前期報告中，我們分別單獨使用低頻和高頻特征作為輸入，訓(xùn)練得到了深度學(xué)習(xí)因子。并在接近2年的樣本外跟蹤期內(nèi)，觀察到了穩(wěn)定優(yōu)異的業(yè)績表現(xiàn)。但是隨著研究和交流的深入，新的問題也產(chǎn)生了。由于不同頻率數(shù)據(jù)的存在，同一個特征可在多個頻率上計算。那么，它們包含的信息是完全一樣的，還是互有增益呢？為此，本文探索和對比了幾類多顆粒度模型，并提出了一些行之有效的改進方案。
從單顆粒度模型到多顆粒度模型。盡管使用單一的日度特征已經(jīng)可以實現(xiàn)不俗的業(yè)績，但更細(xì)顆粒度的特征依然有值得挖掘的有效信息。因此，本文引入了兩類多顆粒度模型。（1）“多顆粒度輸入，一次性訓(xùn)練”：將不同顆粒度的特征均作為模型輸入，并通過獨立的GRU提取序列信息；隨后，將GRU的輸出結(jié)果合并，再通過MLP得到最終的輸出。（2）“單顆粒度訓(xùn)練，輸出集成”：單獨訓(xùn)練每一個顆粒度的特征，輸出對標(biāo)簽的預(yù)測；在最終的推理階段，集成不同顆粒度模型的輸出。
在不同標(biāo)簽長度、調(diào)倉周期和成交價格假設(shè)下，多顆粒度模型的Rank IC和年化多頭超額收益，相比單顆粒度模型都得到了不同程度的提升。整體而言，輸出集成方式的效果最好，10日標(biāo)簽對應(yīng)的費前年化超額收益可達(dá)31.5%。
雙向AGRU多顆粒度模型。為緩解早期重要信息的遺忘問題，我們不僅引入了注意力機制，還將GRU模型從單向改為雙向。即，分別按順序和逆序?qū)W習(xí)特征序列，并提取信息。和傳統(tǒng)的單向GRU相比，雙向AGRU多顆粒度模型的RankIC、ICIR和多頭超額收益都得到了全面而穩(wěn)定的提升。具體地，周均Rank IC超過0.12，Top10%和Top100組合的費前多頭超額收益分別為33%和40%。
微軟亞研院在《 Multi-Granularity Residual Learning with ConfidenceEstimation for Time Series Prediction》一文中，提出了多顆粒度殘差學(xué)習(xí)網(wǎng)絡(luò)。其核心理念是，將多個相同的模塊疊加，形成整體網(wǎng)絡(luò)架構(gòu)，但每個模塊只單獨處理一個顆粒度的數(shù)據(jù)。從第二個模塊起，輸入的特征都需通過取殘差的方式，剔除前一顆粒度已包含的信息，即，只保留該粒度特有的信息。每個模塊都會輸出該顆粒度下，對最終標(biāo)簽的預(yù)測。再將所有預(yù)測集成，作為最終的預(yù)測。
將雙向AGRU多顆粒度模型的輸出值作為股票的收益預(yù)測，構(gòu)建周度調(diào)倉的中證500和中證1000 AI增強組合。2017.01-2023.07，無成分股約束時，中證500和中證1000 AI增強組合分別取得15%-20%和25%-30%的年化超額收益。其中，2023年的YTD超額收益分別為10%-16%和15%-18%。添加80%成分股權(quán)重約束后，兩個組合的超額收益分別下降5%-6%和2%-3%，至10%-15%和23%-27%。
風(fēng)險提示。市場系統(tǒng)性風(fēng)險、資產(chǎn)流動性風(fēng)險、政策變動風(fēng)險、因子失效風(fēng)險。
|
|
