2024年量價時序特征挖掘模型在深度學習因子中的應用

1 深度學習選股模型初探

深度學習模型是一種基于多層神經元的無監督算法，它被廣泛應用于圖像識別、自然語 言處理與到數據與信號的分析領域。而基于神經網絡的深度學習模型在量化投資領域發揮著 越來越重要的作用。深度學習的主要神經網絡模型包括：卷積神經網絡（CNN）、遞歸神經 網絡（RNN）、長短時記憶網絡（LSTM）、門循環單元網絡（GRU）等等。 通過利用神經網絡的強大學習能力和特征提取能力，可以更準確地分析市場數據，并制 定有效的交易策略。在量化選股領域中，深度學習模型能夠依靠自身獨特的結構，根據量價 數據特征或者選股因子，學習到特征內部之間的關系，更好的助力深度學習選股因子構建或 常規選股因子合成，從而形成更加有效的量化策略。 鑒于個股數據中往往包含時序性質，因此本文主要內容為基于常規股票量價時序數據作 為模型輸入特征，利用克服梯度爆炸或梯度消失的改進型循環神經網絡長短時記憶網絡 （LSTM）以及門控循環單元（GRU）深度學習模型，構建深度學習選股模型。同時本文提 出了兩種選股特征工程方式：基于 AE 自編碼模型的特征降維模型、基于 GAN 生成式對抗 網絡特征生成模型，并探究該兩種特征工程在深度學習選股模型中的應用及效果。

1.1 深度學習模型介紹

LSTM 模型

長短時記憶網絡（Long Short-Term Memory，LSTM）是一種改進型的循環神經網絡， 專門設計用來解決傳統 RNN 在處理長序列數據時出現的梯度消失和梯度爆炸問題。LSTM 通過引入三個門控結構（輸入門、遺忘門和輸出門），以及一個細胞狀態來實現對序列中長 期依賴關系的捕捉。

GRU 模型

門控循環單元（Gated Recurrent Unit，GRU）是另一種常用于處理序列數據的改進型 循環神經網絡結構，類似于 LSTM，但簡化了 LSTM 的結構，主要組成部分包括了控制前一 個隱藏狀態如何影響當前隱藏狀態更新的重置門（Reset Gate）、以及控制如何將當前輸入 與前一個隱藏狀態結合從而更新當前隱藏狀態的更新門（Update Gate）。

1.2 深度學習選股模型構建

深度神經網絡模型在預測股票收益方面也有著廣泛應用，基于前述深度學習模型中的 GRU 模型，本文構建了 GRU 層+MLP 的神經網絡股票收益預測模型，其中模型細節如下： 量價特征：包括收盤價、開盤價、成交量、換手率等在內的 18 個量價特征。 回測時間及調倉頻率：2018 年 1 月 1 日至今；周頻（每 5 個交易日）。 訓練與預測方式： （1） 訓練數據及輸入特征設定：所有個股過去 400 天內的 18 個量價特征，每 5 個交 易日做一次特征采樣。特征采樣形狀為 40*18，即利用過去 40 天的量價特征來預 測未來 5 個交易日（T收盤+T+5 收盤）的累計絕對收益。 （2） 訓練集驗證集比例：80%：20%。 （3） 數據處理：每次采樣的 40 天內，每個特征在時序上去極值+標準化、每個特征在 個股層面上截面標準化。 （4） 模型訓練方式：半年滾動訓練，即每半年做一次模型訓練，并用以未來半年收益 的預測，訓練時間點為每年的 6 月 30 日及 12 月 31 日。 （5） 股票篩選方式：選取截面所有股票，剔除 ST及上市不足半年的股票。 （6） 訓練樣本篩選方式：剔除 label 為空值的樣本。 （7） 超參數：batch_size 為截面股票數量、優化器 Adam、學習速率 1e-4、損失函數 IC、早停輪數 10、最大訓練輪數 50。

本文通過構建兩層 GRU 層，即 GRU(128，128)，并在后面加入 MLP(256，64，64)， 并將模型最后輸出的預測收益 pRet_5 作為選股因子。對因子的測試均建立在對因子已做行 業市值中性化+標準化處理，后文將不再贅述。

在沒有特別進行參數調優的情況下，自 2018 年 1 月 1 日至 2024 年 5 月 29 日的回測區 間內，GRU 模型選股因子周度（5 個交易日）RankIC 為 3.14%，RankIC 勝率為 62.19%， 多頭組合（前 10%）年化收益率 11.40%，最大回撤率 42.78%。

此外，GRU 深度學習選股因子多空組合年化收益率 24.32%，多空最大回撤率 27.89%， 多頭組合（組 1）年化收益率 8.66%，最大回撤率 42.73%；空頭組合（組 5）年化收益率-13.18%， 最大回撤率 69.74%。

分年度回測來看，GRU 深度學習模型選股因子多頭組合，近 7 年來平均年化收益率為 6.94%，其中 2024 今年以來（2024-01-01 至 2024-05-29）年化收益率為-40.21%，最大回 撤率 34.81%，模型在今年以來的表現并不理想。

可見在常規量價特征輸入的情況下，GRU 模型構建的深度學習因子已經具備一定的選 股能力，但是在沒有任何特征處理的情況下，GRU 模型在輸入上述量價特征得到的選股因 子在 IC 端以及多頭端的表現差強人意，顯然具備一定的優化空間。 傳統的深度學習模型面臨的兩大困境分別為模型計算效率較低以及模型因子表現是否 具備進一步提升的空間。因此，本文將基于提升模型計算效率及改善模型因子效果兩種不同 的角度對特征分別進行處理。

2 基于 AutoEncoder 自編碼模型的特征降維

2.1 自編碼 AE 模型介紹

自編碼器（AutoEncoder）是一種無監督學習的神經網絡模型，用于學習數據的壓縮表 示。它由兩部分組成：編碼器（Encoder）和解碼器（Decoder）。自編碼器的訓練過程旨 在最小化重構誤差，即盡量使解碼器輸出的重構數據與輸入數據保持一致。通過這種方式， 自編碼器可以學習到數據的高級特征和結構，實現數據的降維和特征提取。訓練目的：最小 化輸入 x 和輸出 x 之間的差異（MSE），其中壓縮和解壓縮函數通過數據驅動方式學習。 編碼過程可以表示為一個 = ()函數，解碼過程可以用另一個 = ()函數表示。

2.2 基于 AE 模型的選股特征降維

特征維數的降低自然會提升模型計算效率。本文采用自編碼模型 AE 的目的在于壓縮特 征，從而減少特征維度，增加訓練速度，減少算力資源消耗，同時更要保證壓縮后的特征和 壓縮前信息損失盡可能小。本文初始特征為 40*18 的量價時序特征，為了方便進行降維，特 將二維特征展平為一維特征，同時采用 MLP 的編碼器將特征進行降維至(encoding_dim，1) 的一維特征。

2.3 基于 AE 降維的深度學習選股因子測試

在初始特征(40，18)的前提下，將特征展平為一維向量(40*18，1)，在給定降維目標維 數(_ < 40 ∗ 18)下對特征進行壓縮，壓縮后的特征形狀為( _, 1)。 在初始維度為 720（40*18）的情況下，為了探究降維目標維數對選股因子效果的影響， 本文分別假設目標降維維數_分別為 120、240、360、480，并在不同目標維數 參數下，將降維后的特征用以訓練 GRU 模型得到對應選股因子，后續將該模型命名為 AE_GRU 模型。 優點：降維后保持與初始特征均方誤差極低的情況下，其一維形狀的特征可以提升深度 學習模型訓練速度，節約計算資源；缺點：雖然降維后的特征與初始特征均方誤差(MSE)極 低，但時間步的忽略會壓縮原有特征時間步，損失較多內在時序信息。 降維效果表現：從 IC表現來看，降維至 240特征的 AE_GRU模型及 360特征的 AE_GRU 模型表現相對較好，IC 分別為 1.34%及 1.29%.從多頭表現來看，降維至 120\240\480 特征 的 AE_GRU 模型多頭組合年化收益率小于 0，而降維至 360 特征的 AE_GRU 多頭年化收益 率最高，為 4.82%。綜上所述，降維至 360 特征(_ = 360)時，選股因子效果表 現相對較好。

經過上述因子測試可看出，深度學習模型的選股效果并不會隨著降維目標維數的提升而 上市，_為 480 的 AE_GRU 模型并沒有較好的 IC 表現及多頭表現，同時其更 不具備較好的因子單調性（分組效果）。 進一步來看上述不同 AE_GRU 模型的多空組合收益。AE_GRU360 多空組合實現正收 益，為 8.78%，而 AE_GRU120/240/480 多空組合收益均小于 0。整體來看，AE_GRU360 模型綜合表現相對優秀。

進一步觀察上述模型多頭組合在每一年的表現，上述不同維度(120\240\360\480)的 AE_GRU模型多頭組合自 2018年至 2024年近 7年多頭組合平均年化收益率-3.98%、-2.83%、 2.48%、-3.71%。綜合來看，AE_GRU360 模型相對表現較好，后文將 AE_GRU360 模型命 名為 AE_GRU 模型，并用以做相應的指數增強策略。

3 基于生成對抗網絡 GAN 的選股特征生成

3.1 GAN 模型簡介

GAN 生 成式對抗網絡（Generative Adversarial Networks, GANs） ， 是由 Ian Goodfellow 等人于 2014 年提出的一種深度學習模型。該模型主要包括生成器（Generator） 和判別器（Discriminator）兩個部分。生成器的目標是生成看起來真實的數據，而判別器的 目標是區分真實數據和生成器生成的數據。兩者在訓練過程中相互競爭，從而使生成器生成 的數據越來越逼真。

3.2 GAN 特征生成模型構建

GAN 模型訓練過程的本質可稱為將無序的噪聲通過非線性變換，變成服從真實特征分 布的特征，在某種程度上可以稱之為錨定真實特征的降噪過程。而本文前述的 18 個量價特 征本身顯然不具備選股能力，對于深度學習模型的構建中，特征內部可能存在一定的噪聲。 因此本文提出問題：GAN 模型生成的特征能否讓深度學習模型更穩定，經過 GAN 模型處理 后的特征能否更容易為深度學習模型所接受？ LSTM 生成器+CNN 判別器：為了適配本文的量價特征模式，希望處理后的特征仍然能 保留時序的性質，因此本文采取可以保留輸入特征時序性的 LSTM 模型做為生成器（G）。 而量價時序特征本質上是二維數據特征“圖片”，因此本文則采取常用于二維圖像處理的 CNN 模型做為識別特征的判別器（D）。 卷積神經網絡(CNN)：一種專門用于處理網格化數據（如圖像、視頻）的深度學習模型， 核心思想是利用卷積層和池化層來有效地提取輸入數據的特征。CNN 能夠逐漸學習到輸入 數據的抽象特征，從而實現對復雜模式的學習和識別。本文將 CNN 模型用以匹配二維構造 的量價時序特征，并學習量價時序二維特征“圖片”的內在特性。

對于訓練完成的 GAN 模型，本文利用其中的生成器部分進行特征生成，具體生成器生 成特征的過程為輸入原始量價時序特征，Input_Shape=(40,18)，輸出經 LSTM 處理后的量 價時序特征，Input_Shape=(40,18)。

3.3 基于 GAN_GRU 的深度學習選股因子

GAN_GRU 模型：本文在原有（40，18）特征的基礎上，利用生成器生成新的（40， 18）的特征，并用新特征訓練 GRU 深度學習模型。超參數設置與單一 GRU 模型相同。 具體在模型搭建的訓練過程中，首先訓練 LSTM 生成器（G）+CNN 判別器（D）的 GAN 模型，最終可以得到 GAN 模型中的生成器；然后將已有的基本特征代入生成器中，由生成 器生成新的特征，最后將生成器生成的特征代入 GRU 模型進行訓練。最后落地到實際的收 益預測中，則同樣將基本量價特征輸入到生成器后，再輸入訓練好的 GRU 模型做預測。后 續本文將該因子命名為 GAN_GRU 因子。 回測時間為 2018-01-01 至今，周頻（5 交易日）調倉，每半年重新訓練一次模型。經 過回測，全 A 范圍內 RankIC 為 7.03%，RankIC 勝率 81.37%，多頭組合（前 10%）年化 收益率 18.00%，最大回撤率 41.75%。

GAN_GRU 因子分組測試來看，因子多頭組合（組 1）年化收益率 17.56%，最大回撤 率 41.55%，空頭組合（組 5）年化收益率為-20.48%，最大回撤率 82.87%；此外，多空組 合年化收益率 45.65%，最大回撤率 11.31%。

分年度回測來看，自 2018 年至 2024 年，GAN_GRU 因子多頭組合近 7 年來平均年化 收益率 16.00%；2024 今年以來年化收益率為-19.74%，相較于普通 GRU 模型（7 年平均年 化收益率 6.94%，2024 多頭年化收益率-40.21%）表現有所提升。

綜上所述，無論是 IC、因子多頭表現，還是因子多空收益表現，GAN_GRU 因子的表 現相較于普通 GRU 因子的表現均有不同程度的提升。基于普通量價時序特征的 GRU 模型 雖然能夠學習出具備一定效果的選股因子，但該特征經過 GAN 模型處理后，得到的新特征 在 GRU 此類深度學習模型中能容易學習到量價時序信息與未來收益之間的關系。可以說對 于原有量價時序特征，GAN 模型可以達到一定程度的“降噪”作用。

4 基于多角度特征工程的深度學習指數增強策略

基于前述特征工程方式（AE 特征降維、GAN 特征生成）及其在 GRU 深度學習模型中 的應用，本文基于不同模型得到的選股因子分別構建了滬深 300指數增強策略以及中證 1000 指數增強策略。

具體指數增強策略描述為根據深度學習選股因子值從大到小排序，對指數成分股進行打 分。給定個股權重偏離閾值 bias：當因子排名前 1/5，個股權重增加 1 倍 bias；排名 1/5 至 2/5 的個股權重增加 0.5 倍 bias；排名 2/5 至 3/5 個股權重不變；排名 3/5 至 4/5 個股權重減 少 0.5 倍 bias；排名后 1/5 個股權重減少 1 倍 bias。

4.1 滬深 300 指數增強策略

本節將基于 GRU 因子、AE_GRU 因子以及 GAN_GRU 因子分別構建滬深 300 指數增 強策略。首先，上述三個因子在滬深 300 成分股范圍內的 RankIC 分別為 0.96%、1.26%、 6.13%，多頭年化收益率 6.15%、4.36%以及 22.41%。可見 AE_GRU 因子 IC 表現優于 GRU 因子，多頭表現相對較差。GAN_GRU 模型在滬深 300 成分股內 IC 及多頭表現更加穩定。

GRU 模型

給定個股權重偏離閾值 bias=3%，全區間來看，GRU 模型指數增強策略相對滬深 300 指數年化超額收益率 2.04%。此外，指數增強凈值分別于近一個月、近三個月、近一年及近 三年跑贏滬深 300 指數，年化超額收益率為 0.75%、1.64%、1.17%、4.83%（不滿一年按 絕對收益率計算、超過一年按年化收益率計算）。

AE_GRU 模型

給定個股權重偏離閾值 bias=3%，區間來看，降維至 360 特征的 AE_GRU（下稱 AE_GRU 因子）因子構造的滬深 300 指數增強，相對指數年化超額收益率 2.94%，整體表 現優于普通 GRU 指數增強策略。指數增強分別于近三月、近一年、近三年分別跑贏滬深 300 指數，超額收益率分別為 0.30%、4.19%以及 3.39%（不滿一年按絕對收益率計算、超過一 年按年化收益率計算）。

GAN_GRU 模型

給定個股權重偏離閾值 bias=3%。全區間來看，GAN_GRU 因子下的指數增強策略相對 滬深 300 指數年化超額收益率為 15.02%。且指數增強策略凈值分別于近一月，近三個月、 近一年、近三年跑贏滬深 300 指數，超額收益率分別為 1.07%、4.75%、9.07%、21.13%（未 滿一年按絕對收益率計算，超過一年按年化收益率計算）。

4.2 中證 1000 指數增強策略

本節將基于 GRU 因子、AE_GRU 因子以及 GAN_GRU 因子分別構建中證 1000 指數增 強策略。首先，上述三個因子在滬深 300 成分股范圍內的 RankIC 分別為 2.69%、1.08%、 5.88%，多頭年化收益率 10.04%、6.67%以及 17.65.41%，可見，GRU 因子相較于 AE_GRU 模型表現更優秀。GAN_GRU 模型在中證 1000 成分股內 IC 及多頭表現略差于其在滬深 300 成分股內的表現。

GRU 模型

給定個股權重偏離閾值 bias=3%。全區間來看，GRU 中證 1000 指數增強相對指數年化 超額收益率 6.78%。此外指數增強凈值分別于近三個月、近一年、近三年跑贏中證 1000 指 數，超額收益率分別為 0.44%、2.45%、5.46%；近一個月跑輸中證 1000 指數，超額收益 率為-0.08%（不滿一年按絕對收益率計算，超過一年按年化收益率計算）。

AE_GRU 模型

給定個股權重偏離閾值 bias=3%，全區間來看，降維至 360 特征的 AE_GRU 指數增強 相對中證 1000 指數年化超額收益率 4.18%。指數增強策略分別于近一月、近一年、近三年 跑贏中證 1000 指數，超額收益率分別為 0.62%、5.09%、3.59%；于近三個月跑輸中證 1000 指數，超額收益率為-0.97%（不滿一年按絕對收益率計算，超過一年按年化收益率計算）。

GAN_GRU 模型

給定個股權重偏離閾值 bias=3%，全區間來看，GAN_GRU 因子指數增強策略相對中證 1000 指數年化超額收益率 17.54%，且指數增強凈值分別于近一月、近三月、近一年、近三 年跑贏滬深 300 指數，超額收益率分別為 0.72%、5.09%、14.35%、21.72%（不滿一年按 絕對收益率計算，超過一年按年化收益率計算）。

5 總結

本文基于股票的量價時序特征（收盤價、開盤價等）構建了 GRU 深度學習模型，得到 的 GRU 選股因子具備一定的選股效果，但因子無論是 IC 還是多頭的表現均具備較大的提升 空間，隨后本文基于提升模型計算效率的角度構建了基于自編碼 AE 模型特征降維的方法， 在與 GRU 模型結合以后，得到的模型雖然在計算效率有明顯提升，但選股因子效果表現相 較于普通 GRU 模型有所下降。 為了進一步提升選股因子效果，讓深度學習模型能夠學習到量價時序特征中的更多信息， 本文構建了生成式對抗網絡 GAN 模型作為量價時序特征的處理模型，并將處理后的特征代 入 GRU 模型進行訓練，得到的 GAN_GRU 因子表現效果相較于 GRU 因子提升明顯，全區 間范圍內 RankIC 為 7.03%，多頭組合年化收益率收益率 18.00%，落地到指數增強策略中， 滬深 300 指數增強策略年化超額收益率 15.02%，在中證 1000 指數增強年化超額收益率 17.54%。 本文主要研究不同的特征處理方式對于深度學習選股因子效果的影響。文中提到的深度 學習模型并未做過多參數調優，對量價二維時序特征的形狀(40,18)也并未做特殊的檢驗與優 化，因此模型表現具備進一步提升空間，而合適的特征處理方式可以讓模型表現更上一層樓。

編輯：火腿腸