量化专题报告：深度学习如何利用公募持仓网络优化选股效果？

本公司具备证券投资咨询业务资格，请务必阅读最后一页免责声明 证券研究报告 1 量化专题报告 深度学习如何利用公募持仓网络优化选股效果？ 2023 年 07 月 06 日 ➢ 传统日频深度学习模型表现具有局限性。神经网络已经成为市场中预测股票收益率最常用的模型之一。LSTM 神经网络因其独特的记忆与遗忘门机制，解决了训练过程中的梯度消失和梯度爆炸问题，且在更长时间序列数据中有更好的表现。用 LSTM 神经网络加 MLP 多层感知器的模型结构，对 A 股中证 1000 成分股的日频行情数据建模，并预测个股周度收益，得到深度学习 DL 因子，因子周度 IC0.038，ICIR0.51，年化多空收益 24%，多头端收益较低，年化超额收益4.7%，对于深度学习因子来说，表现较为一般。 ➢ 一个提升的方向在于寻找股票的有效分类，从而提升因子的针对性。传统的多因子模型认为同一种因子的因子暴露对于所有的股票影响是一样的，然而对于不同内在属性的股票，各类因子的有效性并不相同，其中存在非线性结构有待优化和探索。传统深度学习模型的一个提升方向为找到股票的有效分类，从而提升因子对不同属性股票的针对性。 ➢ 从公募持仓网络得到的股票内在属性对于模型有一定提升。我们采用矩阵分解的办法，从基金选股网络中提取股票的内在属性，来影响因子对于不同股票的预测规律。矩阵分解通过基金对于股票的投资行为，分解出基金和股票的内在属性矩阵。将这些内在属性与 LSTM 生成的因子表示进行拼接，共同输入到 MLP中，得到 DL_EM 因子，因子周度 IC 均值为 0.068，ICIR 为 1.12，构建纯因子多空组合，费后年化收益 8.8%，信息比率 4.3。 ➢ 将股票内在属性与动态市场偏好结合对模型有进一步提升。利用基金年报，半年报获得的股票内在属性半年一更新，较为静态。但经验告诉我们，市场是动态的，它在不同的时间段对不同的股票内在属性的偏好是不同的，所以我们需要将股票静态的内在属性转为动态内在属性，构建股票的动态市场状态因子，即计算个股内在属性与当天市场热度风格的相似度。这一因子本身并无选股能力，但与上述模型拼接后，生成更为有效的 DL_EM_Dynamic 因子，周度 IC 均值 0.12，ICIR1.55；年化多空收益 203.4%，纯因子组合年化收益 26.2%，信息比率 7.41；中证 1000 指数增强扣费后多头年化超额收益 24.5%，信息比率 4.33。 ➢ 风险提示：量化模型基于历史数据，市场未来可能发生变化，策略模型有失效可能。 [Table_Author] 分析师 叶尔乐 执业证书： S0100522110002 邮箱： yeerle@mszq.com 相关研究 1.资产配置月报：七月配置视点：哪些板块景气度与估值仍持续背离？-2023/07/04 2.量化分析报告：六月社融预测：42307 亿元-2023/07/02 3.量化周报：流动性脉冲回落，或保持震荡-2023/07/02 4.量化周报：反弹观点不变-2023/06/25 5.基金分析报告：选基组合跟踪 202306：快才是硬道理-2023/06/20 量化专题报告 本公司具备证券投资咨询业务资格，请务必阅读最后一页免责声明 证券研究报告 2 目录 1 日频深度学习模型初探 ............................................................................................................................................. 3 1.1 从 CNN 到 LSTM ............................................................................................................................................................................... 3 1.2 神经网络股票周频收益率模型表现 ................................................................................................................................................ 5 2 股票静态内在属性及应用 ......................................................................................................................................... 7 2.1 股票内在属性的探究 ......................................................................................................................................................................... 7 2.2 基于基金选股网络的嵌入层计算 .................................................................................................................................................... 9 2.3 股票静态内在属性的应用 ............................................................................................................................................................... 10 3 股票内在属性动态化应用 ...................................................................................................................................... 13 3.1 动态市场状态 .................................................................................................................................................................................... 13 3.2 股票内在属性动态特征的应用 ...................................