【西南证券】机器学习应用系列-量价时序特征挖掘模型在深度学习因子中的应用

西南证券近日发布了一份题为《机器学习应用系列-量价时序特征挖掘模型在深度学习因子中的应用》的研究报告。该报告深入探讨了基于深度学习的选股模型构建和优化方法，包括利用门控循环单元网络（GRU）预测股票收益、自编码模型（AE）进行特征降维、生成对抗网络（GAN）生成新的量价时序特征，以及基于这些技术构建的指数增强策略。报告指出，通过这些先进的机器学习技术，可以有效提升选股模型的表现，并在回测中取得了积极的成果。这份报告为投资者和金融行业从业者提供了深度学习在量化投资领域应用的宝贵经验和洞见。

在当今这个信息爆炸的时代，投资者面临着海量的金融数据和复杂的市场环境，如何从这些纷繁复杂的信息中挖掘出有价值的投资机会，成为了一个迫切需要解决的问题。近年来，随着人工智能技术的飞速发展，深度学习作为一种强大的数据处理和模式识别工具，已经被广泛应用于金融领域的各个方面，包括量化交易、风险管理、投资策略等。本文将结合西南证券发布的《机器学习应用系列-量价时序特征挖掘模型在深度学习因子中的应用》报告，探讨深度学习技术在选股领域的应用和效果。

首先，报告构建了一个基于门控循环单元网络（GRU）的深度学习选股模型，通过两层GRU层及多层感知器（MLP）神经网络来预测股票收益。模型利用收盘价、开盘价、成交量等18个量价特征，对2018年1月1日至今的数据进行训练和回测。结果显示，GRU模型在回测区间内的RankIC为3.14%，多头组合年化收益率11.40%，最大回撤率42.78%，表现出一定的选股能力。

然而，传统的深度学习模型在计算效率和选股因子表现上仍存在一定的局限性。为了进一步提升模型的性能，报告提出了两种特征工程方法：基于自编码模型（AE）的特征降维和基于生成对抗网络（GAN）的特征生成。AE模型通过压缩特征来减少数据维度，提高模型训练速度和减少算力消耗。实验结果表明，在360特征的情况下，AE_GRU模型表现相对优秀，因子IC均值为1.29%，多头年化收益率为最高的4.82%，多空组合年化收益率8.78%，多空组合最大回撤率12.30%。

更为引人注目的是，报告中提出的基于GAN的特征生成方法。GAN通过生成器和判别器的对抗训练，生成新的量价时序特征来增强深度学习模型的选股能力。实验结果显示，GAN_GRU因子在全A范围内的RankIC为7.03%，多空组合年化收益率46.64%，最大回撤率11.31%，其中多头组合年化收益率18.00%，最大回撤率41.75%。这一结果明显优于传统的GRU模型和AE_GRU模型，显示出GAN在特征生成方面的潜力。

此外，报告还基于AE特征降维、GAN特征生成两种不同角度特征工程，分别构建了沪深300和中证1000指数增强策略。在沪深300指数增强策略中，GAN_GRU因子下的策略相对指数年化超额收益率为15.02%，明显优于普通GRU因子及AE_GRU因子。在中证1000指数增强策略中，GAN_GRU因子下的策略相对指数年化超额收益率为17.54%，相对于AE_GRU及GRU因子效果提升明显。

总的来说，深度学习技术在选股领域的应用展现出了巨大的潜力和价值。通过不同的特征工程方法，可以有效提升模型的计算效率和选股因子的表现。尤其是基于GAN的特征生成方法，为深度学习选股模型提供了一种新的视角和可能性。当然，我们也应看到，深度学习模型的表现受宏观经济、行业基本面、市场波动等多种因素的影响，投资者在运用这些模型时，需要充分了解其背后的原理和局限性，结合自身的风险偏好和承受能力，做出理性的投资决策。

这篇文章的灵感来自于西南证券发布的《机器学习应用系列-量价时序特征挖掘模型在深度学习因子中的应用》报告。除了这份报告，还有一些同类型的报告也非常有价值，推荐阅读，这些报告我们都收录在同名星球，可以自行获取。

以上为节选样张，关注公众号【蝉鸣报告】回复领取PDF完整电子版（无广告）。

【蝉鸣报告】每日更新最新硬核报告，覆盖产业报告、全球化、经济报告、趋势等全领域。