2024年基于量价与基本面结合的深度学习选股策略

一、深度学习理论

伴随着数据量的与日俱增以及计算能力的大幅提升，深度学习模型近年来发展十分迅速，在图像识别、语音 识别、自然语言处理等多个领域不断取得突破。 人工神经网络是通过模仿人脑神经网络系统构造与功能而设计的计算模型，简称神经网络。与生物神经元类 似，神经网络由多个节点（人工神经元）相互连接而成。

前馈神经网络拟合能力较强

前馈神经网络（Feedforward Neural Networks）或多层感知机（Multilayer Perceptrons， MLPs）是最有代表 性的深度学习模型。前馈神经网络的目标是近似某个函数f ∗，定义映射y = f(; )并学习参数的值，进而获得最 佳的函数近似。在前馈神经网络中，输入信息通过中间函数计算最终输出 y，整个过程中不含反馈(feedback)连 接，信号单向传播。当前馈神经网络被扩展至包含反馈连接，即模型输出反馈至模型本身时，模型被称为循环神 经网络（Recurrent Neural Networks）。 前馈神经网络通常用许多不同函数的复合来表示，函数的链状结构（如f() = f (3) (f (2) (f (1) ()))）是神经网 络最常用结构。神经网络中每一个函数称为网络的一层（layer），函数结构的总长度给出了模型深度（depth），最 后一层被称为输出层。神经网络的训练过程促使f()匹配f ∗ ()的值，训练数据提供了在不同训练样本上取值且含 噪声的f ∗ ()近似实例，即每个样本具有一个标签y ≈ f ∗ ()。对每个输入样本，输出层需要产生接近y的值。但 对其他层来说，训练数据并没有给出这些层所需要的输出，所以这些中间层被称为隐藏层。网络中每个隐藏层通 常都是向量值的，隐藏层的维数决定了模型宽度（width），向量中每个元素可以被视为一个神经元。

前馈神经网络的反向传播算法

代价(cost)/损失(loss)函数是一个非负实数函数，用来量化模型预测和真实标签之间的差异。训练算法通常使 用梯度下降法实现损失函数最小化。

丢弃法（Dropout）

Dropout 层是一种在神经网络中常用的正则化技术，用于防止模型过拟合。其核心思想是在每次训练过程中 随机“丢弃”一部分神经元，即将这些神经元的输出设为零，从而减少神经元之间的相互依赖，提高模型的泛化能 力。 具体来说，在每次训练迭代中，Dropout 层会以一定的概率 p 随机选择一部分神经元，将它们的输出设为 0， 而其他神经元的输出则按正常流程进行计算。在测试过程中，所有神经元的输出都将被保留，并且为了保持输出 的一致性，通常会将神经元的输出乘以一个缩放系数(1-p)。

二、Lasso Vs MLP —— 分别用于量价与基本面因子

通常在股票收益预测的场景下，未经加工的金融数据（例如高开低收、成交量、成交额等数据）信噪比较低， 且未经标准化使得截面可比性较差，若直接作为特征输入用模型拟合较容易出现“Garbage in, Garbage out”的问 题。 因此，我们通过构建具有一定逻辑的选股因子，可以有效地提取出原始数据中的关键特征，进行降维处理， 从而减少模型训练的复杂度和计算成本。选股因子是基于金融理论和实证研究构建的，量价因子能够对股票的价 格走势和成交变化进行描绘，让模型能够学习不同量价情况下股票的收益分布特征，而基本面因子，例如 EP、 BP 等则反映了公司估值水平，提供了量价维度外的另一个重要的视角。

2.1、量价因子数据集

我们采用 Github 上的开源项目 Qlib 所集成的 Alpha158 量价因子进行模型层面的基础研究，它包含了基于 价格和成交量的多种因子，不算窗口期则有 42 个因子，部分因子考虑了 5/10/20/30/60 的交易日的窗口期，因此 若算窗口期则共有 158 个因子。我们将 Alpha158 因子分为以下 5 类： 日内因子：这些因子仅使用当天的开盘价、收盘价、最高价、最低价以及均价数据，共包含 13 个因子。这 些因子捕捉了市场在单个交易日内的波动和变化特征。 波动因子：波动因子主要衡量股票价格的波动性，共包含 5 个因子。波动性因子可以帮助我们理解股票价格 的变动幅度和频率，从而更好地评估风险和收益。 价因子：价因子是基于股票的价格信息计算得出的，共包含 100 个因子。这些因子涉及多种价格计算方法和 统计指标，能够反映出股票价格的长期和短期趋势。 量因子：量因子基于成交量数据，共包含 30 个因子。成交量是市场交易活动的直接反映，量因子能够提供 关于市场流动性和投资者行为的重要信息。 量价相关性因子：这些因子同时考虑了成交量和价格的关系，共包含 10 个因子。通过分析量价关系，可以 更深入地了解市场的供需动态和价格变动的内在驱动力。

2.2、基本面因子数据集

除了 Alpha158 量价因子外，我们还加入了常规的基本面因子，包含了估值、质量、成长和分析师一致预期 等维度，共计 38 个因子。

2.3、数据预处理与网络参数设置

特征与标签： 特征 X：158 个 Alpha158 因子与 38 个基本面因子，去极值、截面 ZSCORE 标准化、市值行业中性化，分开 测试。标签 Y：个股从下一个交易日的 VWAP 算起，未来 5 个交易日与 20 个交易日的 VWAP 收益率，市值行业 中性化后，计算截面排序百分位。分开测试预测 5 日收益率与预测 20 日收益率。 数据采样：以 2013 年 12 月 31 日为第一次预测点，回看过去 5 年（252*5 个交易日）数据作为样本，数据 集按顺序划分，前 90%的交易日作为训练集，后 10%的交易日作为验证集，用于拟合模型，接下来半年（126 个交易日）用该模型预测每个股票的收益率，每半年（126 个交易日）训练一次模型。

神经网络参数： Batch：按交易日做 Batch 拆分，因此训练集共有 1134（252*5*0.9）个 Batch，每个 Batch 大小为当前截面股 票数量。 损失函数：预测值与真实值 Pearson 相关性的相反数。 优化器：Adam；学习速率：0.001。最大 Epoch：100；早停 Epoch：10（验证集 Loss 连续 10 轮没有创新低则停止训练）。

路径依赖与路径合并： 日频因子，每一天皆可预测未来 5 日（20 日）的收益率，这意味着我们可以利用这些因子在每个交易日对 未来一段时间内的股票收益率进行预测。然而，如果我们选定某一个特定的起点并每隔 5 日（20 日）进行一次调仓操作，那么由于起点选择的不同，可能会导致我们得到不同的净值曲线，这种现象被称为路径依赖问题，若 任取一条净值曲线计算收益与风险都会有失公允。 为规避此问题，我们在 2014 年 1 月 30 日将不同调仓起点的净值曲线做截断，并将所有净值曲线归一化处 理，使得它们的初始值相同，然后计算所有净值曲线在每一天的收益率的均值。通过这种方法，我们可以得到一 条综合的净值曲线，代表了在不同起点下调仓策略的平均表现。这样一来，我们能够更准确地评估投资策略的收 益与风险，避免了单一调仓起点带来的路径依赖问题。

2.4、Lasso Vs MLP —— 量价因子

本篇报告作为系列第一篇报告，从简单的线性与非线性模型入手，先分别测试量价因子与基本面因子在线性 与非线性结合框架下的差异。为了使得模型结论尽可能可比，我们确保线性模型与非线性模型的特征与标签一致， 训练集范围相同，滚动训练时点相同。

2.5、Lasso Vs MLP —— 基本面因子

对于基本面因子，我们同样采用线性模型 Lasso 回归作为基准模型，正则化参数 λ 取 0.001。在非线性端， 同样采用 2 层的 MLP 模型，然而，由于基本面因子的数量为 38 个，因此我们将隐藏层神经元数量缩减为 32 和 16。

用 Lasso 与 MLP 拟合基本面因子预测未来 5 日与未来 20 日的收益率，可以发现 MLP 相较于 Lasso 的提升 幅度，不如在量价因子上 MLP 相对 Lasso 的增强效果。预测未来 5 日收益率的 RankIC，MLP 相较于 Lasso 仅提 升 0.35pct，多头超额与多空超额收益提升幅度微弱。当预测未来 20 日时，两个模型的差距亦不显著。

2.6、全连接网络隐藏层神经元数量设置的敏感性分析与启示

前文中，我们对神经网络的隐藏层神经单元数量设置是偏经验的设置方式，即设为 2 的次方数，且根据降维 的思路，每一层神经元数量比上一层少。但是这种方式是否是最佳的设置方式？全连接神经网络在量价因子上相 较于线性模型的优势在不同参数设置下是否稳定？自身效果是否对参数敏感？因此我们以 Alpha158 量价因子， 预测未来 5 日收益率为例，对一层与两层的全连接神经网络的神经单元数量进行遍历，以观察其中的规律。

若是一个 1 层的全连接神经网络，我们观察到隐藏层的神经元数量越多，能够引入越多的非线性，因此和线 性因子相关性越低。在 RankIC 评价角度，随着隐藏层神经元数量增加，RankIC 呈先增后减的趋势，因为若神经 元数量较少，则引入的非线性不足，因此提升不够，而若神经元数量过多，则容易出现过拟合的问题。 在 2 层隐藏层的结构下，同样可以看到全连接神经网络合成因子与线性因子的相关性随着神经元数量越多 （从表 8 的左上角至右下角），相关性越低。同时也观察到，下三角矩阵的相关性数值，总是小于其轴对称位置 对应的上三角矩阵的相关性数值，简单来说就是在第一层单元数和第二层单元数的乘积一样的情况下，将第一层 设置较大第二层设置较小，相较于第一层设置较小第二层设置较大能够引入更多的非线性。

观察两层全连接神经网络合成因子的 RankIC 矩阵，可见同样也符合一层全连接神经网络的结论，即隐藏层 神经元越多（从表 9 左上角至右下角），合成因子的 RankIC 呈先增后减的趋势。除此之外，也能看到 RankIC 较 高的位置基本集中在将第一层设置较大（64 至 512），第二层设置较小（16 至 64）的位置，说明先前经验值的设 置方式在用全连接神经网络选股的场景下也同样较为适用。

最后通篇来看，前文中计算的用 Lasso 拟合的 5 日 Alpha158 因子的 RankIC 为 10.57%，而一层全连接神经 网络拟合的 5 日 Alpha158 因子的 RankIC 最低值为 11.91%，两层全连接神经网络拟合的因子 RankIC 最低值为 11.99%，说明在量价因子上，全连接神经网络相较于 Lasso 模型的优势较稳定，基本都有 1.5pct 左右的 RankIC 提升。而在非线性合成因子内部，2 层网络的最高值 RankIC 与最低值 RankIC 相差 0.53pct，所以其自身的参数 敏感性也在可接受范围内。

2.7、小结：非线性模型更能挖掘量价因子的潜力

通过上述测算我们发现，以 MLP 为例的非线性模型，相较于 Lasso 为例的线性模型，在量价因子上优势较 明显，且通过敏感性分析可见这种优势对隐藏层数量和每层隐藏单元数量的设置不敏感。但 MLP 和 Lasso 用在 基本面因子上的差距不甚显著。我们认为可能有几个原因导致非线性模型在量价因子上的相对效果好而在基本 面因子上的相对效果一般： 1) 基本面因子之间结合的逻辑偏线性，而量价因子的非线性组合可能包含增量信息。例如长期来看，高 ROE、 高 EP 的股票，收益大概率是强于低 ROE、低 EP 的股票，通常来说投资者不会把高 ROE 低 EP 或者低 ROE 高 EP 作为一个选股标准；然而对于量价因子，例如一个价因子与一个量因子，除了线性结合的方式（价高 量高、价低量低）之外，两者的非线性结合可能同样有一定意义，例如在技术分析流派中，一只股票低位放 量往往是一个看涨信号，然而高位出现天量天价，则常被视为一个警示信号。 2) 部分基本面因子，例如 ROE 和归母净利润同比等因子，在财报真空期的因子值 X 不发生变化，但标签 Y 却 每天都有变动，这种数据结构可能会使得带激活函数的神经网络在不断优化下趋近于带正则项的回归。 3) 基本面因子数量相对于量价因子偏少，只有 38 个，使得非线性模型的预测效果可能有所减弱。

汇总 MLP 模型结合的量价因子与基本面因子在 5 日调仓和 20 日调仓下的收益情况。5 日量价因子多头超额 22.45%，收益波动比 4.57，单边年化换手率 34.23 倍；5 日基本面因子多头超额 10.85%，收益波动比 2.15，单边 年化换手率 12.62 倍。

MLP 模型合成的 20 日量价因子多头超额 16.62%，收益波动比 3.89，单边年化换手率 9.28 倍；20 日基本面 因子多头超额 9.21%，收益波动比 2.05，单边年化换手率 5.84 倍。

三、量价与基本面因子结合的初步尝试

前文中，我们用 Lasso 和 MLP 分别构建了纯量价因子组合与纯基本面因子组合。然而如何进一步将量价因 子与基本面因子相结合？本篇报告作为系列之一的入门报告，基于全连接神经网络，以预测未来 5 个交易日收益 率为例，尝试以下 4 种较为基础的方式： 1) 等权结合：截面 ZSCORE 等权结合神经网络拟合的量价因子与神经网络拟合的基本面因子。 2) ICIR 加权：在每个调仓时点回看过去 126 个交易日计算神经网络拟合的量价因子与基本面因子的 ICIR，做 截面 ICIR 加权。 3) 输入层拼接：在输入端层将 158 个去极值、标准化、市值行业中性化处理后的量价因子与经过同样处理的 38 个基本面因子直接拼接起来，再一起输入两个隐藏层，神经元为【128，64】的全连接神经网络。 4) 分支网络隐藏层拼接：分别用【128，64】的全连接神经网络预训练 158 个量价因子，和用【32，16】的全 连接神经网络预训练 38 个基本面因子，拼接两者的隐藏层输出，经过线性加权，得到结合因子。

3.1、线性方式 —— 等权结合

原始 5 日量价合成因子 RankIC 为 12.39%，5 日基本面因子合成因子 RankIC 为 7.32%，可见量价合成因子 的历史选股效果大幅优于基本面合成因子。若截面 ZSCORE 等权结合神经网络输出的量价合成因子与基本面合 成因子，得到的等权因子 RankIC 为 11.64%，年化多头超额为 21.37%，年化多空超为 104.91%，各个评价维度皆 低于原始量价合成因子。

3.2、线性方式 —— ICIR 加权

等权因子效果较差的主要原因在于量价因子 RankIC 明显高于基本面因子，若将两者直接等权结合，则较难 战胜原始量价合成因子。因此接下来我们采用 ICIR 加权，尝试给予历史上量价因子更高的权重。 首先回溯历史上量价因子与基本面因子的 ICIR 走势（以过去 126 个交易日滚动计算），由图可见量价因子有 效性在 2016 年之前较高，但之后 ICIR 中枢下移，2023 年下半年开始 ICIR 继续走低降至历史低位。但基本面因 子 ICIR 历史上虽然整体不高，但其较为稳定，ICIR 中枢基本稳定在 1.0 左右，今年以来，基本面因子有效性持 续上升，且超越了 ICIR 下滑的量价因子。

在每个调仓时点，计算过去 126 个交易日量价合成因子与基本面合成因子的 ICIR，根据 ICIR 加权量价与基 本面因子，构建 ICIR 加权因子。ICIR 加权因子全区间 RankIC 与纯量价因子基本持平，多头超额收益略高于纯 量价因子，但多空超额收益低于纯量价因子。可见采用传统线性方式结合神经网络拟合的量价与基本面因子有其 局限性，较难战胜纯量价因子。

3.3、非线性方式 —— 输入层拼接量价与基本面

既然线性地结合量价与基本面因子较难起到 1+1＞2 的效果，因此我们引入神经网络帮助我们进行非线性地 结合。仍然从最简单直观的方法入手，在输入端将 158 个量价因子和 38 个基本面因子拼接起来，形成总共 196 个特征的输入向量，然后输入到【128，64】全连接神经网络中，由神经网络决策输出量价与基本面的合成因子。 通过在输入层拼接量价因子和基本面因子，能够同时利用两种因子的信息。这种特征融合方式可以捕捉到最 基础的量价与基本面因子之间的相互关系，有助于提升模型的预测能力。

在输入层直接拼接量价与基本面因子的方法相较原始量价因子有一定增强，RankIC 均值提升 0.23pct，多头 超额收益提升 1.75pct，多空超额收益提升 4.38pct，同时波动与回撤均有下降。

3.4、非线性方式 —— 分支网络统筹子因子合成与大类因子加权

更进阶一点，我们将量价合成因子和基本面合成因子拟合的过程，与量价基本面结合的过程放到一个网络中 统一进行学习。具体做法为，用【128，64】的全连接神经网络预训练 158 个量价因子，再用【32，16】的全连 接神经网络预训练 38 个基本面因子，拼接两者的隐藏层输出，再进行一次简单的线性加权，得到合成因子。这 个过程中，我们保证两个分支的网络结构与前文拟合量价基本面因子的网络结构相同，拼接后的线性层则类比前 文的等权或者 ICIR 加权，使得该网络与前文的网络结构具有可比性。 这种方式通过分支网络分别处理不同类型的特征，可以更好地针对每种特征的特性进行优化，每个分支可以 专注于特定类型的特征提取，提高特征提取的效果。相较于截面 ZSCORE 等权或者 ICIR 加权神经网络拟合后的 量价与基本面因子，这种方法将量价与基本面子因子到大类因子合成，以及量价与基本面大类因子之间的线性加 权结合放在一个网络中，进行端到端地训练，让模型自行学习子因子合成与大类因子加权的全过程。

分支网络合成因子 RankIC 为 12.9%，相较于原始量价因子提升 0.51pct，多头超额年化收益为 24.99%，提升 2.54pct，多空超额年化收益为 132.21%，提升 9.77pct，同时这几个维度也优于直接输入层拼接的合成因子。

3.5、小结：端到端的分支网络结合量价与基本面更具优势

横向对比在预测未来 5 日收益率的场景下，等权结合、ICIR 加权结合、输入层拼接、分支网络等四种结合 方式，可见分支网络合成方法有最佳的 IC、ICIR、多头超额收益与多空超额收益，且最大回撤也有一定改善。

在预测未来 20 日收益率的场景中，横向比较上述几种合成方式，综合各维度评价体系，也可以看出分支网 络合成方法优于其他合成形式，证明了这种方法的可行性。

前文中，我们采用的是开源的 Alpha158 因子与基本面因子进行基础性研究。在最后的组合构建部分，为了 进一步增强组合的表现，后续加入 29 个信达金工高频量价因子（从 2018 年 8 月开始）。具体做法为，将信达金 工高频因子与 Alpha158 低频量价因子在输入层拼接，之后再通过分支网络，与基本面因子相结合。 加入高频因子的最终合成因子相较于原始合成因子 IC 有进一步提升。5 日最终合成因子 RankIC 均值为 13.04%，ICIR 为 1.56；20 日最终合成因子 RankIC 为 15.42%，ICIR 为 1.94。

最终纳入 Alpha158、高频量价与基本面因子，由分支神经网络构建 5 日调仓的主动量化组合，组合多头超 额年化收益为 25.29%，收益波动比为 5.4，单边年化换手率为 32.37 倍。20 日调仓的主动量化组合，多头超额年 化收益为 17.62%，收益波动比为 4.42，多头组合单边年化换手率为 8.64 倍。

四、基于长短期收益预测的混频组合

上文我们基于高频量价、低频量价、基本面因子，采用分支神经网络进行结合，最后分别构建了 5 日调仓的 主动量化组合与 20 日调仓的主动量化组合。其中，5 日因子对短期收益的预测效果更好，而 20 日因子对长期收 益的预测能力更佳，能否将短期预测和长期预测的结果结合起来，构建混频增强组合？

20 日因子为底仓：每 20 个交易日，根据 20 日合成因子，对所有股票进行截面排名，选择排名前 10%的股 票构建底仓，底仓组合在较长时间周期内具有较高预期的收益。 5 日因子做调整：每 5 个交易日，根据 5 日合成因子，对所有股票进行截面排名，选择排名前 25% / 50% / 75%的股票。这一过程旨在捕捉短期内具有较高收益潜力的股票。 混频组合：将上述两个股票集合取交集，即每 5 个交易日，选择同时在 20 日因子前 10%和 5 日因子前 25% / 50% / 75%的股票，形成最终的混频投资组合。 对照组：为了避免收益增强来源于原始 20 日因子与 5 日因子取交集后成分股减少的集中效应，因此在每个 截面，将原始 20 日因子持股数量按因子值排序，缩减至与混频组合持股数量相同，作为对照组。 经测算，将 20 日因子与 5 日因子混频结合的主动量化组合，相较于原始的 20 日组合有较稳定的超额收益， 与前 25%的 5 日因子取交集，多头超额提升 6.98pct，与前 50%取交集提升 4.79pct，与前 75%取交集提升 3.26pct。

观察混频组合相较于对照组的超额收益，可见收益增强来源于 5 日因子的短期选股效应而非原始 20 日组合 成分股减少后的集中效应。

在换手维度，分别用前 50%和前 75%的 5 日因子对 20 日因子前 10%的多头组合做混频增强，单边年化换手 率分别为 16.51 倍与 12.46 倍（原始 20 日组合换手率为 8.64 倍）。 由此可见，该混频组合是一个以提高换手率获取更高收益的思路，混频后的组合换手与收益处于 5 日组合与 20 日组合之间。除此之外，我们发现混频组合的最大回撤，会更接近于底仓组合的最大回撤。原始 5 日组合最 大回撤为-8.17%，20 日组合的最大回撤为-3.94%。与 5 日因子前 50%取交集的混频组合最大回撤为-4.25%，而与 前 75%取交集的混频组合最大回撤为-3.72%。

五、基于低频量价、高频量价、基本面因子的中证 1000 指增策略

中证 1000 指增组合 2015 年至 2024 年 5 月 31 日年化收益为 11.59%，年化信息比为 3.56，单边年化换手率 7.61。相对中证 1000 全收益的年化超额收益为 13.17%，收益波动比为 3.77，收益回撤比为 5.06。今年超额收益 为 3.73%。

编辑：火腿肠