深度学习研究报告之六：深度学习在指数增强策略上的应用

《深度学习研究报告之六：深度学习在指数增强策略上的应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、目录索引一、指数增强产品蓬勃发展4二、深度学习选股模型5三、组合优化技术63.1结构化风险模型63.2组合优化模型7四、组合业绩归因84.1单期组合业绩归因84.2多期组合业绩归因8五、实证分析95.1回测参数设置95.2指数增强策略表现105.3指数增强策略的换手率优化175.4业绩归因分析20六、总结与展望28图表索引图1：深度学习股票增强策略流程4图2：深度学习因子IC（中证1000指数成份股）11图3：中证1000指数增强策略表现11图4：深度学习因子IC（中证500指数成份股）13图5：中证500指数增强策略表现13图6：深

2、度学习因子IC（沪深300指数成份股）15图7：沪深300指数增强策略表现15图8：指数增强策略的换手率比较18图9：指数增强策略的跟踪误差比较19图10：指数增强策略信息比比较19图11：风格因子收益率（滚动12个月）21图12：中证1000指数增强风格因子和Alpha收益贡献23图13：中证1000指数增强Alpha收益贡献23图14：中证500指数增强Alpha收益贡献25图15：中证500指数增强风格因子和Alpha收益贡献25图16：沪深300指数增强Alpha收益贡献27图17：沪深300指数增强风格因子和Alpha收益贡

3、献27表1：深度学习模型网络结构5表2：多期组合业绩归因示意图9表3：中证1000指数增强表现（成份股内选股）12表4：中证1000指数增强表现（全市场选股）12表5：中证500指数增强表现（成份股内选股）14表6：中证500指数增强表现（全市场选股）14表7：沪深300指数增强表现（成份股内选股）16表8：沪深300指数增强表现（全市场选股）16表9：指数增强策略比较17表10：惩罚系数对指数增强策略影响的比较分析18表11：换手率约束对指数增强策略影响的比较分析20表12：用于归因分析的风格因子列表21表13：中证1000指数增强

4、策略业绩归因22表14：中证500指数增强策略业绩归因24表15：沪深300指数增强策略业绩归因26一、指数增强产品蓬勃发展从2015年以来，公募指数增强型基金迅速发展，每年有10只以上的指数增强基金发行。大部分指数增强基金以主流宽基指数为跟踪基准，包括上证50指数、沪深300指数、中证500指数、中证1000指数等。从规模上看，指数增强基金中管理规模最大的是“易方达上证50指数”，其管理规模达到124亿元（截至2018年年底）。2018年国内公募基金一共发行了29只指数增强基金（包括A类和C类），其中7只基金的基准指数为沪深300指

5、数，10只基金的基准指数为中证500指数，还有5只基金的基准指数为中证1000指数。从投资思路来看，指数增强基金是指数型基金和主动型基金的结合。其投资目标是在控制跟踪误差的前提下，追求稳定、持续地超越标的指数的表现。从投资方法来看，大部分指数增强基金采用多因子量化投资的方式进行管理。近年来，随着机器学习在计算机视觉、自然语言处理等领域的巨大成功，国内外越来越多的量化基金在研究如何将机器学习技术引入投资策略中，并且已经出现了众多成功案例。广发金融工程团队在此前的一系列研究中，实证了以深度学习为代表的机器学习方法在因子选股和CTA策略开发

6、上具有不错的表现和发展前景。但同时，机器学习模型也由于换手率高、模型缺乏可解释性等问题而被人诟病。本报告研究通过深度学习方法进行指数增强策略的构建。主要考虑三方面的问题：1、如何使得深度学习选股策略稳定、持续地超越基准指数？2、如何将策略的换手率调整至合适的水平？3、深度学习模型本身是一个“黑箱”，如何对策略收益进行解释归因？深度学习股票增强策略的流程如下图所示。通过组合优化技术控制策略的跟踪误差，追求稳定的超额收益（注：本报告中超额收益是指相对基准指数的超额收益，例如中证500指数增强策略的基准指数是中证500指数。）；并且在组合优

7、化问题中对交易成本进行“惩罚”，控制策略的换手率；通过事后业绩归因，对深度学习选股因子的表现进行深入的分析和监测。本报告实证表明，深度学习策略在指数增强中具有不错的应用前景。图1：深度学习股票增强策略流程数据来源：Wind，二、深度学习选股模型深度学习选股模型通过深层神经网络，建立起股票因子和未来收益率之间的关系，根据对个股收益率的预测进行选股。模型采用了股票的156个特征，包括传统的选股因子（如估值因子、规模因子、反转因子、流动性因子、波动性因子），价量技术指标（如MACD、KDJ等指标），以及28个表示申万一级行业属性的0-1变量

8、。在本报告的深度学习选股模型中，我们采用7层深层神经网络系统建立股票价格预测模型。其中包含输入层X，输出层Y，和隐含层H1、H2、H3、……、H5。各层的节点数如下表所示。该深度学习模型的结构是通过网格搜索优化出来的模型