AlphaNet，因子挖掘神经网络.docx

《AlphaNet，因子挖掘神经网络.docx》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、正文目录本文研究导读4从CNN/RNN到AlphaNet5经典深度学习模型回顾：卷积神经网络CNN5经典深度学习模型回顾：循环神经网络RNN6CNN/RNN运用到选股因子挖掘可能出现的问题6选股因子挖掘神经网络：AlphaNet6数据输入7特征提取层7池化层10全连接层10AlphaNet模型构建和测试细节11数据准备11AlphaNet模型构建11AlphaNet-v1训练和预测方式13组合构建和回测13模型可解释性分析13AlphaNet测试结果14调仓周期为10天14单因子IC测试14单因子分

2、层测试14构建行业市值中性的中证500增强策略进行回测15模型可解释性分析16调仓周期为5天18单因子IC测试18单因子分层测试18构建行业市值中性的中证500增强策略进行回测19模型可解释性分析20总结22风险提示22图表目录图表1：人工智能融入多因子选股体系4图表2：LeNet-5卷积神经网络模型5图表3：卷积核以及人脸特征提取过程5图表4：RNN对序列的建模方式6图表5：AlphaNet的结构7图表6：AlphaNet的数据输入7图表7：自定义网络层8图表8：ts_corr(X,Y,3)网络层

3、的工作机制8图表9：ts_stddev(X,3)网络层的工作机制9图表10：BN层标准化后，两个特征提取层的特征分布在量纲上可比10图表11：AlphaNet模型构建流程11图表12：原始数据列表11图表13：AlphaNet-v1模型构建细节图12图表14：AlphaNet-v1模型构建细节12图表15：AlphaNet-v1模型构建细节图13图表16：AlphaNet-v1合成因子IC值分析(回测期20110131～20200529)14图表17：AlphaNet-v1合成因子的累计RankIC

4、(回测期20110131～20200529)14图表18：AlphaNet-v1合成因子分层测试结果(不计交易成本，回测期20110131～20200529)15图表19：AlphaNet-v1合成因子分层测试结果(交易成本千分之二，回测期20110131～20200529)15图表20：合成因子进行五因子中性化的分层测试(不计交易成本)15图表21：合成因子进行五因子中性化的分层测试(交易成本千分之二)15图表22：行业市值中性的中证500增强策略回测绩效(回测期：20110131～2020052

5、9)........................................................................................................................................16图表23：行业市值中性的中证500增强策略超额收益情况(回测期：20110131～20200529)16图表24：AlphaNet-v1中因子的

6、SHAP

7、值(前20因子)17图表25：AlphaNet-v1中因子的SHAP

8、值(前20因子)17图表26：AlphaNet-v1合成因子IC值分析(回测期20110131～20200529)18图表27：AlphaNet-v1合成因子的累计RankIC(回测期20110131～20200529)18图表28：AlphaNet-v1合成因子分层测试结果(不计交易成本，回测期20110131～20200529)19图表29：AlphaNet-v1合成因子分层测试结果(交易成本千分之二，回测期20110131～20200529)19图表30：合成因子进行五因子中性化的分层测试(不

9、计交易成本)19图表31：合成因子进行五因子中性化的分层测试(交易成本千分之二)19图表32：行业市值中性的中证500增强策略回测绩效(回测期：20110131～20200529)........................................................................................................................................20图表33：行业市值中性的中证500增强策略超额收

10、益情况(回测期：20110131～20200529)20图表34：AlphaNet-v1中因子的

11、SHAP

12、值(前20因子)21图表35：AlphaNet-v1中因子的SHAP值(前20因子)21本文研究导读在华泰金工2020年2月18日发布的报告《基于量价的人工智能选股体系概览》中我们指出：人工智能已经可以很好地融入到多因子选股模型的因子生成和多因子合成步骤，并构建了“遗传规划+随机森林”模型来进行量价因子的挖掘和合成。在“遗传规划+随机森林”模型中，因子挖掘和多因