人工智能和機器學(xué)習(xí)系列研究（1）：多模型、多數(shù)據(jù)、多跨度融合的深度學(xué)習(xí)GRU因子

金工量化專題報告金工量化專題報告證券研究報告1356491768813564917688fengjiaruiangzhishun@多模型融合提升預(yù)測準(zhǔn)確性。GRU模型具備很強的處系的能力，故被廣泛應(yīng)用于時間序列的預(yù)測。進一步引入雙層GRU、用了卷積神經(jīng)網(wǎng)絡(luò)的局部特征提取能力，Attention或可捕捉短、中、長期的市場規(guī)律，增強模型對不同市場周期的適應(yīng)能力。風(fēng)險提示：模型失效風(fēng)險，市場風(fēng)格變化風(fēng)險，數(shù)據(jù)測算誤差風(fēng)險。金工量化專題報告金工量化專題報告 4二、深度學(xué)習(xí)模型簡介 4三、GRU因子的構(gòu)建與融合 53.1資金流GRU因子 63.1.1資金流類因子 63.1.2資金流GRU因子及其集成 73.2分鐘頻GRU因子 93.3衍生高頻GRU因子 3.3.1衍生高頻因子 3.3.2衍生高頻GRU因子及其集成 3.4多模型與多數(shù)據(jù)的融合 四、指數(shù)增強組合 4.1滬深300指數(shù)增強 4.2中證500指數(shù)增強 4.3中證1000指數(shù)增強 20五、2024年融合因子表現(xiàn)回顧 21六、總結(jié)與討論 23七、風(fēng)險提示 24 5圖2：資金流GRU因子各期及累計RankIC 8圖3：資金流GRU因子與Barra因子相關(guān)性1 8圖4：資金流GRU因子與Barra因子相關(guān)性2 8圖5：分鐘頻GRU因子各期及累計RankIC 圖6：分鐘頻GRU因子與Barra因子相關(guān)性1 圖7：分鐘頻GRU因子與Barra因子相關(guān)性2 圖8：衍生高頻GRU因子各期及累計RankIC 圖9：衍生高頻GRU因子與Barra因子相關(guān)性1 圖10：衍生高頻GRU因子與Barra因子相關(guān)性2 圖11：融合因子各期及累計RankIC 圖12：融合因子與Barra因子相關(guān)性1 圖13：融合因子與Barra因子相關(guān)性2 金工量化專題報告金工量化專題報告圖14：10分組年化超額收益（Wind全A） 圖15：10分組年化超額收益（滬深300） 圖16：10分組年化超額收益（中證500） 圖17：10分組年化超額收益（中證1000） 圖18：滬深300增強組合累計超額收益 圖19：中證500增強組合累計超額收益 20圖20：中證1000增強組合累計超額收益 21圖21：中證500增強組合4個場景下的累計超額收益 23圖22：中證1000增強組合4個場景下的累計超額收益 23表1：資金流因子RankIC 6表2：資金流GRU模型參數(shù) 7表3：資金流GRU因子RankIC 7表4：資金流GRU因子相關(guān)性 9表5：分鐘頻GRU模型參數(shù) 9表6：分鐘頻GRU因子RankIC 表7：分鐘頻GRU因子相關(guān)性 表8：衍生高頻因子RankIC 表9：衍生高頻GRU模型參數(shù) 表10：衍生高頻GRU因子RankIC 表11：衍生高頻GRU因子相關(guān)性 表12：集成因子RankIC 表13：集成因子相關(guān)性 表14：滬深300指數(shù)增強組合收益風(fēng)險特征 表15：中證500指數(shù)增強組合收益風(fēng)險特征 20表16：中證1000指數(shù)增強組合收益風(fēng)險特征 21表17：2024年融合因子收益特征 22表18：2024年增強組合4個場景下的收益風(fēng)險特征（2024.01.02-2024.06.24） 23金工量化專題報告金工量化專題報告海內(nèi)外諸多研究和實踐表明，通過量化方法挖掘因子和信號，制定合適的投為應(yīng)對這一挑戰(zhàn)，我們探索了多種模型、多種數(shù)據(jù)和多種輸入時間跨度結(jié)合的方法，雖然GRU已經(jīng)被廣泛應(yīng)用，但我們通過引入多層GRU、結(jié)合自注意力機制（Self-Attention）和卷積神經(jīng)網(wǎng)絡(luò)（CNN希望挖掘更深層次的時序信息和空間特征，特征因子和單一輸入跨度因子，展現(xiàn)出更加穩(wěn)定和準(zhǔn)確的預(yù)測能力。二、深度學(xué)習(xí)模型簡介深度學(xué)習(xí)中的GRU模型可以很好地提取輸入特征的時序信息。疊加自注意力機制（Self-Attention）和卷積神經(jīng)網(wǎng)絡(luò)（CNN理論上可以分別增強模型的局部注意能力和1)GRU：GRU是一種經(jīng)典的深度神經(jīng)網(wǎng)絡(luò)，擅長處理時序信息。與傳統(tǒng)的RNN相比，GRU通過特殊設(shè)計，有效解決了梯度消2)Double-GRU：在基準(zhǔn)GRU模型的基礎(chǔ)上，我們引入了雙層GRU模型，通過4)CNN-GRU：卷積神經(jīng)網(wǎng)絡(luò)（CNN）能夠有效提取時序數(shù)據(jù)中的局部特征。將依賴關(guān)系，從而可以在處理時序數(shù)據(jù)時更全面地捕捉數(shù)據(jù)特征。金工量化專題報告金工量化專題報告三、GRU因子的構(gòu)建與融合分鐘頻量價行情數(shù)據(jù)和Wind資金流向數(shù)據(jù)。前者既可直接作3種不同的數(shù)據(jù)類型——資金流數(shù)據(jù)、分鐘頻數(shù)據(jù)和資金流向信息、更高頻次的價格和交易量信息，以及日內(nèi)成交的一些統(tǒng)計學(xué)意義的信息。提高模型對不同市場周期的適應(yīng)能力。金工量化專題報告金工量化專題報告特征的優(yōu)點。下文的實證結(jié)果表明，多模型與多數(shù)據(jù)融合的因子在穩(wěn)定性和準(zhǔn)確性方面，資金流數(shù)據(jù)來源于Wind，每日更新機構(gòu)、大戶、中戶金工量化專題報告金工量化專題報告收益率為預(yù)測目標(biāo)。為使模型能夠具備在短、中、長期內(nèi)的泛化能力4種，GRU、Double-GRU、AttentionGRU、CN24/48/72個雙周作為輸入，3:AdamAttention-GRU金工量化專題報告金工量化專題報告050資料來源：Wind，西部證券研發(fā)中心GRU因子與殘差波動率和流動性保持著較為穩(wěn)定的負相關(guān)性。這表明，該因子的多頭組特征。與市值因子的相關(guān)性較不穩(wěn)定，但2022年以來，負相關(guān)性顯著，多0.30.20.120162017201820192020202120222023202402016201720182019202020212022202320242015-0.1-0.2-0.3-0.4-0.5-0.62015非線性市值動量對數(shù)市值非線性市值動量殘差波動率0.40.30.20.10201620172018201920202021202220232024-0.2201620172018201920202021202220232024-0.3-0.4-0.5-0.6賬面市值比流動性盈利成長杠桿金工量化專題報告金工量化專題報告Attention-GRUAttention-GRU處理時間較長，我們僅對單只股票進行時序標(biāo)準(zhǔn)化，而未對全部股票進行橫截面標(biāo)準(zhǔn)化。與最后一分鐘收盤價計算收益率，再整體做時序標(biāo)準(zhǔn)化；4種，GRU、Double-GRU、AttentionGRU、CN24/48/72個雙周作為輸入，3:Adam金工量化專題報告金工量化專題報告Attention-GRU0各期RankIC2017201850資料來源：Wind，西部證券研發(fā)中心高盈利的股票。與市值因子的相關(guān)性波動較大，但2022年金工量化專題報告金工量化專題報告0.20.12016201720182019202020212016201720182019202020212022202320242015-0.1-0.2-0.3-0.4非線性市值動量對數(shù)市值非線性市值動量殘差波動率2016201720182019202020212022202320240.40.30.20.12016201720182019202020212022202320240-0.20-0.3-0.4-0.5-0.6賬面市值比流動性盈利成長杠桿我們認為，擴展特征的類型或是計算的時間跨度，或比堆疊模型更能提高因子的穩(wěn)定性。Attention-GRUAttention-GRU金工量化專題報告金工量化專題報告37.7%尾盤成交量比例金工量化專題報告金工量化專題報告額標(biāo)準(zhǔn)差、上行已實現(xiàn)波動率等。4種，GRU、Double-GRU、AttentionGRU、CN24/48/72個雙周作為輸入，3:AdamGRUDouble-GRUAttention-GRU金工量化專題報告金工量化專題報告Attention-GRU050資料來源：Wind，西部證券研發(fā)中心2016201720182019202020212022202320240.40.30.20.120162017201820192020202120222023202402015-0.1-0.2-0.3-0.42015非線性市值動量對數(shù)市值非線性市值動量殘差波動率0.40.30.20.10201620172018201920202021202220232024-0.2201620172018201920202021202220232024-0.3-0.4-0.5賬面市值比流動性盈利成長杠桿金工量化專題報告金工量化專題報告Attention-GRUAttention-GRU也是一種方案。下表展示了上述4種集成方案Attention-金工量化專題報告金工量化專題報告0.036，顯著不及其余兩個因子，這也在一定程度上說明了多數(shù)據(jù)特征融合的重要下圖展示了融合因子的各期及累計RankIC，較為0-0.2-0.3資料來源：Wind，西部證券研發(fā)中心0.30.20.12016201720182019202020212022202320240201620172018201920202021202220232024-0.2-0.3-0.4-0.5-0.6非線性市值動量對數(shù)市值非線性市值動量殘差波動率0.40.30.20.12016201720182019202020212022202320240201620172018201920202021202220232024-0.2-0.3-0.4-0.5-0.6——賬面市值比流動性盈利成長杠桿金工量化專題報告金工量化專題報告Attention-Attention-GRU9s在其余三個指數(shù)的成分股中，分組單調(diào)性都得到了良好的保持。. .Double-GRU9s.Attention-GRU. .Double-GRU9s.Attention-GRU9s金工量化專題報告金工量化專題報告00 CNN-GRU9s2YInput12s3YIn.Double-GRU9s.Attenti. .Double-GRU9s.Attention-GRU9s四、指數(shù)增強組合增強組合。優(yōu)化目標(biāo)為最大化組合的預(yù)期收益，約束偏離為[-0.5,0.5]1；3)雙周頻調(diào)倉（每雙周的第一個交易日單邊換手率不高于25%；超額，跟蹤誤差5.0%。2023年超額收4.4%，發(fā)生在2024.01.03-202金工量化專題報告金工量化專題報告4213210資料來源：Wind，西部證券研發(fā)中心超額，跟蹤誤差5.5%。2023年超額收益12.8%；20245.2%，發(fā)生在2024.01.03-202金工量化專題報告金工量化專題報告 043210資料來源：Wind，西部證券研發(fā)中心超額，跟蹤誤差6.4%。2023年超額收益16.8%；2024年YTD超額4.2金工量化專題報告金工量化專題報告7654321076543210資料來源：Wind，西部證券研發(fā)中心五、2024年融合因子表現(xiàn)回顧2024年上半年，市場波動較大，小市值風(fēng)格的回撤尤為明顯，融合因子表現(xiàn)平平。金工量化專題報告金工量化專題報告并持續(xù)至今。受小盤風(fēng)格強勢的驅(qū)動，22、23兩年，融合因子及以此為金工量化專題報告金工量化專題報告12023-12-292024-01-292024-03-052024-04-02場景1場景2——場景3——場景412023-12-292024-01-292024-03-052024-04-02202場景1場景2——場景3——場景4意義上保持正向alpha，但波動難免會加劇。更加嚴(yán)格的風(fēng)險管理方式，或許是利用風(fēng)險中性等相關(guān)話題。六、總結(jié)與討論GRU模型具備很強的處理數(shù)據(jù)中長期依賴關(guān)系的能力，故被廣泛應(yīng)用于時間序列的則利用了卷積神經(jīng)網(wǎng)絡(luò)的局部特征提取能力，Attention-GRU通過自注意力機制緩金工量化專題報告金工量化專題報告進一步將數(shù)據(jù)類型、模型形式和時間跨度下的因子等權(quán)集成，得到最終的融合因子。調(diào)性均優(yōu)于按單一模型、單一數(shù)據(jù)和單一跨度的集2024年上半年，市場波動較大，小市值風(fēng)格的回撤尤為明顯，融合因子表現(xiàn)平平。七、風(fēng)險提示模型失效風(fēng)險：模型可能無法準(zhǔn)確預(yù)測市場行為，導(dǎo)致因子失效。數(shù)據(jù)測算誤差風(fēng)險：數(shù)據(jù)和模型搭建過程中可能存在偏差，影響分析結(jié)果的準(zhǔn)確性。金工量化專題報告