一、AQF研報摘要

卷積神經網絡引領深度學習的發展，能夠運用于多因子選股

卷積神經網絡(CNN)是目前最為成熟的深度學習模型，是近年來人工智能蓬勃發展的重要推手之一，其主要特點是通過卷積和池化操作進行自動的特征提取和特征降維。本文首先通過原理分析給出了

CNN 運用于多因子選股的經驗方法;然后在全 A 股票池內對 CNN 的預測結果進行單因子測

試，其單因子測試結果相比對比模型具有良好表現;本文還構建了行業、市值中性全

A 選股策略并進行回測，CNN 在以中證 500 為基準的全 A 選股測試中相比對比模型表現優秀。

本文通過原理分析總結了卷積神經網絡運用于多因子選股的經驗方法

將卷積神經網絡運用于多因子選股時，通過分析其工作原理，我們總結出以下經驗：(1)股票因子數據可以組織成二維的“圖片”形式，這使得

CNN具有了時間序列學習的能力。(2)當卷積核作用于股票因子數據時，本質上是在進行因子合成，因此本文只使用了一層卷積層。(3)池化層是對因子數據的“模糊化”，這對體現因子的明確意義是不利的，因此本文未使用池化

層。(4)因子數據在“圖片”中的排列順序會影響到 CNN

的學習結果。

卷積神經網絡合成因子的單因子測試具有良好表現

我們構建了卷積神經網絡、全連接神經網絡、線性回歸三個模型，在2011-01-31 至 2019-1-31

的回測區間中分年度進行訓練和測試，樣本空間為全 A 股。從單因子測試的角度來看，CNN 合成因子的 RankIC

均值為13.62%，因子收益率均值為 1.021%，略高于全連接神經網絡，也要高于線性回歸。在分五層測試中，CNN 合成因子的 TOP

組合年化收益率為20.05%，夏普比率為 0.72，信息比率為 4.04，多空組合的夏普比率為

4.84，表現都要優于全連接神經網絡和線性回歸。

卷積神經網絡在以中證 500 為基準的全 A 選股測試中表現優秀

基于卷積神經網絡、全連接神經網絡和線性回歸，我們構建了行業、市值中性全 A

選股策略并進行回測。在 2011-01-31 至 2019-1-31 的回測區間中，當以滬深 300

為基準時，兩種神經網絡在年化超額收益率、信息比率和 Calmar 比率上的表現都不如線性回歸。當以中證 500 為基準時，CNN的 年

化 超 額 收益在 13.69%~16.38% 之 間 ， 超 額 收 益 最 大 回 撤 在

4.80%~7.55%之間，信息比率在 2.29~2.56

之間，Calmer 比率在 2.16~2.85之間，CNN

在以上各項指標上的表現都優于另外兩個模型，全連接神經網絡略優于線性回歸。

卷積神經網絡仍有進一步研究的空間

隨著 ImageNet

旗下的大規模視覺識別挑戰賽(ILSVRC)連續數年的推動，卷積神經網絡正在日新月異地進步中，還有諸多技術值得我們學習和嘗試，例如增大訓練樣本數量的“數據增強”方法;ResNet

中的殘差學習方法;Inception 網絡中的多種尺寸卷積核混合的方法等等。此外，在高頻、海量的金融數據中使用 CNN

也是一個值得嘗試的方向。

二、研報結論和展望

卷積神經網絡(CNN)是目前發展最為成熟、投入研究力度最大的深度學習模型，是近年來人工智能蓬勃發展的重要推手之一。本文對 CNN

的原理和特色進行了介紹，并探討了如何使用 CNN 構建人工智能選股模型。初步得出以下結論：

1.

卷積神經網絡(CNN)是目前最為成熟的深度學習模型，是近年來人工智能蓬勃發展的重要推手之一，其主要特點是通過卷積和池化操作進行自動的特征提取和特征降維。把CNN

運用于多因子選股時，我們總結出以下經驗：(1)股票因子數據可以組織成二維的“圖片”形式，這使得 CNN

具有了時間序列學習的能力。(2)當卷積核作用于股票因子數據時，本質上是在進行因子合成，因此本文只使用了一層卷積層。(3)池化層是對因子數據的“模糊化”，這對體現因子的明確意義是不利的，因此本文未使用池化層。(4)因子數據在“圖片”中的排列順序會影響到

CNN 的學習結果。

2. 我們構建了卷積神經網絡、全連接神經網絡、線性回歸三個模型，在

2011-01-31 至2019-1-31 的回測區間中分年度進行訓練和測試，樣本空間為全 A 股。從單因子測試的角度來看，CNN

合成因子的 RankIC 均值為 13.62%，因子收益率均值為

1.021%，略高于全連接神經網絡，也要高于線性回歸。在分五層測試中，CNN 合成因子的 TOP 組合年化收益率為

20.05%，夏普比率為 0.72，信息比率為 4.04，多空組合的夏普比率為

4.84，表現都要優于全連接神經網絡和線性回歸。

3. 基于卷積神經網絡、全連接神經網絡和線性回歸，我們構建了行業、市值中性全

A 選股策略并進行回測。在 2011-01-31 至 2019-1-31 的回測區間中，當以滬深 300

為基準時，兩種神經網絡在年化超額收益率、信息比率和 Calmer 比率上的表現都不如線性回歸。當以中證 500 為基準時，CNN

的年化超額收益在 13.69%~16.38%之間，超額收益最大回撤在 4.80%~7.55%之間，信息比率在 2.29~2.56

之間，Calmer 比率在 2.16~2.85

之間，CNN在以上各項指標上的表現都優于另外兩個模型，全連接神經網絡略優于線性回歸。

4. 隨著 ImageNet

旗下的大規模視覺識別挑戰賽(ILSVRC)連續數年的推動，卷積神經網絡正在日新月異地進步中，還有諸多技術值得我們學習和嘗試，例如增大訓練樣本數量的“數據增強”方法;ResNet

中的殘差學習方法;Inception 網絡中的多種尺寸卷積核混合的方法等等。此外，在高頻、海量的金融數據中使用 CNN

也是一個值得嘗試的方向。

AQF考試群：760229148

金融寬客交流群：801860357

微信公眾號：量化金融分析師

總結

以上是生活随笔為你收集整理的MATLAB卷积神经网络股票预测,AQF研报精选|人工智能选股之卷积神经网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。