深度学习选股工程方式介绍

以下介绍的是基于 AE 自编码模型的特征降维模型、基于 GAN 生成式对抗 网络特征生成模型两种选股特征工程方式，并探究该两种特征工程在深度学习选股模型中的应用及效果。

1.基于 AutoEncoder 自编码模型的特征降维

自编码 AE 模型介绍

自编码器（AutoEncoder）是一种无监督学习的神经网络模型，用于学习数据的压缩表 示。它由两部分组成：编码器（Encoder）和解码器（Decoder）。自编码器的训练过程旨 在最小化重构误差，即尽量使解码器输出的重构数据与输入数据保持一致。通过这种方式， 自编码器可以学习到数据的高级特征和结构，实现数据的降维和特征提取。训练目的：最小 化输入 x 和输出 x 之间的差异（MSE），其中压缩和解压缩函数通过数据驱动方式学习。 编码过程可以表示为一个 = ()函数，解码过程可以用另一个 = ()函数表示。

基于 AE 模型的选股特征降维

特征维数的降低自然会提升模型计算效率。本文采用自编码模型 AE 的目的在于压缩特 征，从而减少特征维度，增加训练速度，减少算力资源消耗，同时更要保证压缩后的特征和 压缩前信息损失尽可能小。本文初始特征为 40*18 的量价时序特征，为了方便进行降维，特 将二维特征展平为一维特征，同时采用 MLP 的编码器将特征进行降维至(encoding_dim，1) 的一维特征。

基于 AE 降维的深度学习选股因子测试

在初始特征(40，18)的前提下，将特征展平为一维向量(40*18，1)，在给定降维目标维 数(_ < 40 ∗ 18)下对特征进行压缩，压缩后的特征形状为( _, 1)。 在初始维度为 720（40*18）的情况下，为了探究降维目标维数对选股因子效果的影响， 本文分别假设目标降维维数_分别为 120、240、360、480，并在不同目标维数 参数下，将降维后的特征用以训练 GRU 模型得到对应选股因子，后续将该模型命名为 AE_GRU 模型。 优点：降维后保持与初始特征均方误差极低的情况下，其一维形状的特征可以提升深度 学习模型训练速度，节约计算资源；缺点：虽然降维后的特征与初始特征均方误差(MSE)极 低，但时间步的忽略会压缩原有特征时间步，损失较多内在时序信息。 降维效果表现：从 IC表现来看，降维至 240特征的 AE_GRU模型及 360特征的 AE_GRU 模型表现相对较好，IC 分别为 1.34%及 1.29%.从多头表现来看，降维至 120\240\480 特征 的 AE_GRU 模型多头组合年化收益率小于 0，而降维至 360 特征的 AE_GRU 多头年化收益 率最高，为 4.82%。综上所述，降维至 360 特征(_ = 360)时，选股因子效果表 现相对较好。

经过上述因子测试可看出，深度学习模型的选股效果并不会随着降维目标维数的提升而 上市，_为 480 的 AE_GRU 模型并没有较好的 IC 表现及多头表现，同时其更 不具备较好的因子单调性（分组效果）。 进一步来看上述不同 AE_GRU 模型的多空组合收益。AE_GRU360 多空组合实现正收 益，为 8.78%，而 AE_GRU120/240/480 多空组合收益均小于 0。整体来看，AE_GRU360 模型综合表现相对优秀。

进一步观察上述模型多头组合在每一年的表现，上述不同维度(120\240\360\480)的 AE_GRU模型多头组合自 2018年至 2024年近 7年多头组合平均年化收益率-3.98%、-2.83%、 2.48%、-3.71%。综合来看，AE_GRU360 模型相对表现较好，后文将 AE_GRU360 模型命 名为 AE_GRU 模型，并用以做相应的指数增强策略。

2.基于生成对抗网络 GAN 的选股特征生成

GAN 模型简介

GAN 生 成式对抗网络（Generative Adversarial Networks, GANs） ， 是由 Ian Goodfellow 等人于 2014 年提出的一种深度学习模型。该模型主要包括生成器（Generator） 和判别器（Discriminator）两个部分。生成器的目标是生成看起来真实的数据，而判别器的 目标是区分真实数据和生成器生成的数据。两者在训练过程中相互竞争，从而使生成器生成 的数据越来越逼真。

GAN 特征生成模型构建

GAN 模型训练过程的本质可称为将无序的噪声通过非线性变换，变成服从真实特征分 布的特征，在某种程度上可以称之为锚定真实特征的降噪过程。而本文前述的 18 个量价特 征本身显然不具备选股能力，对于深度学习模型的构建中，特征内部可能存在一定的噪声。 因此本文提出问题：GAN 模型生成的特征能否让深度学习模型更稳定，经过 GAN 模型处理 后的特征能否更容易为深度学习模型所接受？ LSTM 生成器+CNN 判别器：为了适配本文的量价特征模式，希望处理后的特征仍然能 保留时序的性质，因此本文采取可以保留输入特征时序性的 LSTM 模型做为生成器（G）。 而量价时序特征本质上是二维数据特征“图片”，因此本文则采取常用于二维图像处理的 CNN 模型做为识别特征的判别器（D）。 卷积神经网络(CNN)：一种专门用于处理网格化数据（如图像、视频）的深度学习模型， 核心思想是利用卷积层和池化层来有效地提取输入数据的特征。CNN 能够逐渐学习到输入 数据的抽象特征，从而实现对复杂模式的学习和识别。本文将 CNN 模型用以匹配二维构造 的量价时序特征，并学习量价时序二维特征“图片”的内在特性。

对于训练完成的 GAN 模型，本文利用其中的生成器部分进行特征生成，具体生成器生 成特征的过程为输入原始量价时序特征，Input_Shape=(40,18)，输出经 LSTM 处理后的量 价时序特征，Input_Shape=(40,18)。

基于 GAN_GRU 的深度学习选股因子

GAN_GRU 模型：本文在原有（40，18）特征的基础上，利用生成器生成新的（40， 18）的特征，并用新特征训练 GRU 深度学习模型。超参数设置与单一 GRU 模型相同。 具体在模型搭建的训练过程中，首先训练 LSTM 生成器（G）+CNN 判别器（D）的 GAN 模型，最终可以得到 GAN 模型中的生成器；然后将已有的基本特征代入生成器中，由生成 器生成新的特征，最后将生成器生成的特征代入 GRU 模型进行训练。最后落地到实际的收 益预测中，则同样将基本量价特征输入到生成器后，再输入训练好的 GRU 模型做预测。后 续本文将该因子命名为 GAN_GRU 因子。 回测时间为 2018-01-01 至今，周频（5 交易日）调仓，每半年重新训练一次模型。经 过回测，全 A 范围内 RankIC 为 7.03%，RankIC 胜率 81.37%，多头组合（前 10%）年化 收益率 18.00%，最大回撤率 41.75%。

GAN_GRU 因子分组测试来看，因子多头组合（组 1）年化收益率 17.56%，最大回撤 率 41.55%，空头组合（组 5）年化收益率为-20.48%，最大回撤率 82.87%；此外，多空组 合年化收益率 45.65%，最大回撤率 11.31%。

分年度回测来看，自 2018 年至 2024 年，GAN_GRU 因子多头组合近 7 年来平均年化 收益率 16.00%；2024 今年以来年化收益率为-19.74%，相较于普通 GRU 模型（7 年平均年 化收益率 6.94%，2024 多头年化收益率-40.21%）表现有所提升。

综上所述，无论是 IC、因子多头表现，还是因子多空收益表现，GAN_GRU 因子的表 现相较于普通 GRU 因子的表现均有不同程度的提升。基于普通量价时序特征的 GRU 模型 虽然能够学习出具备一定效果的选股因子，但该特征经过 GAN 模型处理后，得到的新特征 在 GRU 此类深度学习模型中能容易学习到量价时序信息与未来收益之间的关系。可以说对 于原有量价时序特征，GAN 模型可以达到一定程度的“降噪”作用。