股票多因子系列(四)：神经网络多因子模型初探

江海证券有限公司及其关联机构在法律许可的情况下可能与本报告所分析的企业存在业务关系，并且继续寻求发展这些关系。因此，投资者应当考虑到本公司可能存在影响本报告客观性的利益冲突，不应视本报告为投资决策的唯一因素。 敬请参阅最后一页之免责条款 证券研究报告·金融工程深度报告 2025 年 4 月 17 日 江海证券研究发展部 金融工程研究报告 股票多因子系列（四）：神经网络多因子模型初探 核心内容： ◆本文是股票多因子研究系列第四篇，也是机器学习领域探究的第二篇。在本文中，我们继续深入机器学习领域，探究神经网络这一复杂数学模型在多因子模型上的运用以及选股效果。首先，我们详细介绍了神经网络与深度学习的关系，其次，我们展开介绍了神经元， Sigmoid、ReLU 等激活函数以及两种神经网络结构——全连接神经网络（FCNN）与循环神经网络（RNN）。 ◆我们从聚宽数据库提取基础类、情绪类、成长类、动量类、每股指标类、质量类、风险类、风格类与技术指标类共计 89 个因子，清洗后作为神经网络的原始输入特征，并以沪深两市 A 股中剔除 ST、*ST 以及每个截面停牌个股的月频收益率分布区间（共 10 组）作为预测目标，每 6 年为周期使用神经网络进行滚动训练。 ◆在使用 FCNN、LSTM 以及 GRU 神经网络模型得出预测分组概率后，我们发现直接使用预测概率最大的分组序号作为神经网络因子效果并不突出，因此我们在此基础上重新构建了神经网络因子。其具体构建方式是：1）以神经网络预测的分组概率对分组标签值进行加权；2）对第一步加权概率进行求和，用公式表示为： 𝑊 = 𝑃⨀𝑆 = { 𝑝1, 2𝑝2, 3𝑝3, … , 10𝑝10} 𝑓𝑎𝑐𝑡𝑜𝑟 = ∑𝑤𝑖 𝑤𝑖𝑖=1∈ 𝑊 ◆对 FCNN，LSTM 以及 GRU 所构建的神经网络分类因子进行回测检验后，我们发现三个神经网络分类因子表现都十分优异且循环神经网络回测效果普遍好于全连接神经网络，其中：1）FCNN 分类因子分层单调性比较显著，整体有效性较高，月频调仓下，多头年化收益率为 15.41%，夏普率为 0.55。多空组合年化收益达 18.42%，夏普率为 2.39，最大回撤也仅只有 9.17%；2）LSTM 分类因子回测检验效果较FCNN 因子更佳，具体而言，分层单调性提升至 0.88，多头年化收益率提升至16.62%，多空组合年化收益率提升至 19.52%、夏普率提升至 2.90，同时回撤幅度也降低至 8.50%。3）GRU 分类因子为三者中最优，有效性最强，其较 LSTM 分类因子有微弱提升，具体表现在因子分层单调性为 0.90，较 LSTM 分类因子更加显著，多头年化收益为 16.69%、夏普率为 0.59，多空组合年化收益率 19.58%、夏普率为3.00、最大回撤为 8.25%、Calmar 比率为 2.37。 ◆风险提示： 1) 本报告可能存在数据缺失、数据错误、数据不及时、模型处理错误等风险。本报告仅从金融工程角度，对权益市场数据进行统计、分析，不构成对市场指数、行业或个股进行预测或推荐。 2) 本报告涉及的策略搭建方法仅供参考，不构成任何投资建议。本报告回测结果仅依赖于过去公开数据，不代表未来收益，随着市场变化，所测试的结果与研究结论可能存在失效的风险。 金融工程研究组 分析师：梁俊炜 执业证书编号：S1410524090001 联系人：朱威 执业证书编号：S1410124010022 相关研究报告 1.金融工程深度报告：股票多因子系列（一）：量价类因子实测—基于 Barra CNE6 – 2024.04.15 2.金融工程深度报告：股票多因子系列（二）：基本面类因子实测—基于 Barra CNE6 – 2024.05.22 3.金融工程深度报告：股票多因子系列（三）：机器学习在多因子组合中的应用– 2024.09.12 1 敬请参阅最后一页之免责条款 证券研究报告·金融工程深度报告 正文目录 1 神经网络简介 ................................................................................................................................................. 1 1.1 神经网络与深度学习 ............................................................................................................................ 1 1.2 神经元 .................................................................................................................................................. 2 1.3 激活函数 .............................................................................................................................................. 3 1.3.1 Sigmoid 类函数 ........................................................................................................................... 3 1.3.2 ReLU 类函数 ............................................................................................................................... 5 1.3.2 Swish 类函数 .............................................................................................................................. 6 1.4 网络结构 .............................................................................................................................................. 7 1.4.1 全连接神经网络 ................