【最新研究】基于风险中性的深度学习选股策略

从2018年6月4日起,公众号每发布一篇文章,就为大家分享一张Octodex的创意图。

# 002

今天我们为大家带来最新的研报内容,来自广发证券金工团队《风险中性的深度学习选股策略》。下面让我们来一起学习吧!

风险中性的机器学习选股模型

模型训练通过训练样本,确定模型结构,优化模型参数。

预测输出 Y 的维度:3。

输入特征 X 的维度:156(128个因子+28个行业) 通过网格搜索获取最优的模型结构。

选取模型结构为: 156(输入层)-512-200-200-200-128-3(输出层) 即一共包含5个隐层。

隐层节点数依次为:512(隐层1)、 200(隐层2)、 200(隐层3)、 200(隐层4)、 128(隐层5)。

提高深层神经网络选股性能的主要方法:

1、采用relu等激活函数。 2、将优化目标函数MSE改成交叉熵。 3、Batch normalization技术。 4、Dropout技术。

采用Keras作为机器学习平台:

1、可以选择Tensorflow、CNTK、Theano(目前已经停止更新)作为后端。 2、目前已经支持多GPU。 3、显卡选择:Nvidia GTX Titan XP, GTX 1080Ti, GTX Titan, GTX 1080, GTX1070, GTX 1060。

机器学习多因子选股模型:从股票特征中提取信息,对股票未来的收益进行预 测,选出能够产生超额收益的股票组合。

多因子选股模型:

挑选出未来一期能够产,生超额收益的股票。

↓↓↓

风险中性的多因子选股模型:

挑选出未来一期,在剥离风险因子影响后,能够产生的超额收益的股票。

如何实现上述目标? 针对具体的应用场景,构建适当的机器学习预测模型。

普通的样本标注方法

训练时,根据未来一期的股票涨跌幅来给样本贴“标签”:上涨、下跌、平盘同一时刻,按照涨跌幅进行排序,确定样本的输出标签。

行业中性的样本标注:寻找不同行业内能够跑出超额收益的股票

训练时,根据未来一期的股票涨跌幅来给样本贴“标签”:上涨、下跌、平盘 同一时刻,按照涨跌幅进行排序,确定样本的输出标签。

市值中性的样本标注:寻找不同市值区间内能够跑出超额收益的股票

训练时,根据未来一期的股票涨跌幅来给样本贴“标签”:上涨、下跌、平盘 同一时刻,按照涨跌幅进行排序,确定样本的输出标签。

风险中性的样本标注:更一般的方法

未来一期股票收益率对风险因子做线性回归,获得残差,按残差进行样本标注

策略与实证分析

策略流程

数据预处理

因子标准化:

1、异常值、缺失值处理 2、极值压边界处理 3、沿时间方向的因子标准化 4、沿截面的因子标准化 5、按照机器学习模型来调整因子分布

风险中性的深度学习选股模型的IC

IC的平均值为0.082,标准差为0.108。

深度学习因子与流通市值的相关性:IC序列的相关性

经过行业和市值中性化之后,深度学习因子更少受到市值因子的影响。

深度学习因子与流通市值的相关性:截面相关性

经过行业和市值中性化之后,深度学习因子更少受到流通市值因子的影响。

回测参数设置

  • 调仓周期:10个交易日
  • 股票池:中证500成份股,剔除ST股票,剔除交易日停牌和涨停、跌停的股票
  • 超配组合:调仓时分10档,等权买入深度学习模型打分最高的一档
  • 对冲基准:中证500指数
  • 原始因子数据:估值因子、规模因子、反转因子、流动性因子、波动性因子、技术 指标,共计128个因子,以及28个行业0-1变量
  • 风险因子:行业、流通市值
  • 深度学习模型训练:每半年滚动更新模型,采用最近4年的样本作为训练集
  • 策略回测:2011年1月-2018年4月30日
  • 交易成本:千分之三

普通的深度学习选股策略

2011年以来,年化收益率19.71%,最大回撤 -5.35%,胜率为 69.5%,信息比2.47。

风险中性的深度学习选股策略 2011年以来,年化收益率21.95%,最大回撤 -5.03%,胜率为 74.6%,信息比2.92。

风险中性深度学习选股策略 年化收益率21.95%,最大回撤 -5.03%,胜率为 74.6%,信息比2.92

普通深度学习选股策略 年化收益率19.71%,最大回撤 -5.35%,胜率为 69.5%,信息比2.47

机器学习策略表现的同质性:不同策略的表现有一定的相关性

用普通深度学习模型的IC对风险中性深度学习模型的IC进行回归,R方为0.84。 说明两种策略的表现有较强的相关性。

机器学习策略每期组合的同质性:选取的组合有较大的差异

当组合规模N为50时,两种深度学习选股策略平均每期选到的股票有41.9%重合。(参考:两次独立的随机选股中,平均有10%重合。)

当组合规模N为100时,两种深度学习选股策略平均每期选到的股票有53.3%重合。(参考:两次独立的随机选股中,平均有20%重合。)

总结

  • 将风险因子中性化处理后,可以构建新的深度学习选股模型,该模型受风险 因子的影响较小。
  • 2011年以来,中证500内选股对冲策略年化收益率21.95%,最大回撤 - 5.03%,胜率为 74.6%,信息比2.92。
  • 即使是采用同样的特征和模型结构,风险因子中性化之后,训练的策略也会 有较大的差别,可以通过此方法丰富深度学习选股策略的多样性。

本文旨在对所研究问题的主要关注点进行分析,因此对市场及相 关交易做了一些合理假设,但这样会导致建立的模型以及基于模型所得 出的结论并不能完全准确地刻画现实环境。而且由于分析时采用的相关 数据都是过去的时间序列,因此可能会与未来真实的情况出现偏差。本 文内容并不是适合所有的投资者,客户在制定投资策略时,必须结合自 身的环境和投资理念。

原文发布于微信公众号 - 量化投资与机器学习(ZXL_LHTZ_JQXX)

原文发表时间:2018-06-05

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据科学与人工智能

【智能】机器学习:信用风险建模中的挑战,教训和机遇

由于数据可用性和计算能力的快速增长,机器学习现在在技术和业务中发挥着至关重要的作用。机器学习对信用风险建模应用程序有重大贡献。 使用两个大型数据集,我们分析了一...

883
来自专栏机器之心

四大深度学习框架+四类GPU+七种神经网络:交叉性能评测

选自add-for 作者:Pedro Gusmão 机器之心编译 参与:李泽南、黄小天 最近,Pedro Gusmão 等人对于英伟达的四种 GPU 在四种不同...

40616
来自专栏专知

【重温经典】吴恩达机器学习课程学习笔记十:正则化

1212
来自专栏算法channel

AI路上,她会一路相伴......

这是一条通往 AI 的路...... 和 AI 路上,第一步这么走下去... 谈到花一定时间研究基础算法的重要性。它们帮助我们夯实算法地基,领略到算法思想的魅力...

1232
来自专栏AI研习社

迁移成分分析 (TCA) 方法简介

之前整理总结迁移学习资料的时候有网友评论,大意就是现在的类似资料大全的东西已经太多了,想更深入地了解特定的细节。从这篇文章开始我将以《小王爱迁移》为名写一系列的...

5194
来自专栏AI科技大本营的专栏

与其撩妹尬舞,倒不如跟AI学跳舞

作者 | Caroline Chan、Shiry Ginosar、Tinghui Zhou 和 Alexei A. Efros

862
来自专栏算法channel

机器学习储备(13):概率密度和高斯分布例子解析

《实例》阐述算法,通俗易懂,助您对算法的理解达到一个新高度。包含但不限于:经典算法,机器学习,深度学习,LeetCode 题解,Kaggle 实战。期待您的到来...

3677
来自专栏机器之心

深度 | 当前最好的词句嵌入技术概览:从无监督学习转向监督、多任务学习

2635
来自专栏量化投资与机器学习

因子的有效性分析基于7种机器学习算法【系列54】

今天,继续我们的机器学习应用量化投资系列。本期我们介绍一篇研究报告,详细的介绍了7中机器学习算法在因子有效性上的展现。希望给大家在写策略时做一些参考借鉴。 前言...

4578
来自专栏iOSDevLog

机器学习五大流派

1182

扫码关注云+社区