一、AQF研報摘要

卷積神經(jīng)網(wǎng)絡(luò)引領(lǐng)深度學(xué)習的發(fā)展，能夠運用于多因子選股

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是目前最為成熟的深度學(xué)習模型，是近年來人工智能蓬勃發(fā)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(jīng)驗方法;然后在全 A 股票池內(nèi)對 CNN 的預(yù)測結(jié)果進行單因子測

試，其單因子測試結(jié)果相比對比模型具有良好表現(xiàn);本文還構(gòu)建了行業(yè)、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(xiàn)優(yōu)秀。

本文通過原理分析總結(jié)了卷積神經(jīng)網(wǎng)絡(luò)運用于多因子選股的經(jīng)驗方法

將卷積神經(jīng)網(wǎng)絡(luò)運用于多因子選股時，通過分析其工作原理，我們總結(jié)出以下經(jīng)驗：(1)股票因子數(shù)據(jù)可以組織成二維的“圖片”形式，這使得

CNN具有了時間序列學(xué)習的能力。(2)當卷積核作用于股票因子數(shù)據(jù)時，本質(zhì)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(shù)據(jù)的“模糊化”，這對體現(xiàn)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(shù)據(jù)在“圖片”中的排列順序會影響到 CNN

的學(xué)習結(jié)果。

卷積神經(jīng)網(wǎng)絡(luò)合成因子的單因子測試具有良好表現(xiàn)

我們構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)、全連接神經(jīng)網(wǎng)絡(luò)、線性回歸三個模型，在2011-01-31 至 2019-1-31

的回測區(qū)間中分年度進行訓(xùn)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(jīng)網(wǎng)絡(luò)，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(xiàn)都要優(yōu)于全連接神經(jīng)網(wǎng)絡(luò)和線性回歸。

卷積神經(jīng)網(wǎng)絡(luò)在以中證 500 為基準的全 A 選股測試中表現(xiàn)優(yōu)秀

基于卷積神經(jīng)網(wǎng)絡(luò)、全連接神經(jīng)網(wǎng)絡(luò)和線性回歸，我們構(gòu)建了行業(yè)、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(qū)間中，當以滬深 300

為基準時，兩種神經(jīng)網(wǎng)絡(luò)在年化超額收益率、信息比率和 Calmar 比率上的表現(xiàn)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(xiàn)都優(yōu)于另外兩個模型，全連接神經(jīng)網(wǎng)絡(luò)略優(yōu)于線性回歸。

卷積神經(jīng)網(wǎng)絡(luò)仍有進一步研究的空間

隨著 ImageNet

旗下的大規(guī)模視覺識別挑戰(zhàn)賽(ILSVRC)連續(xù)數(shù)年的推動，卷積神經(jīng)網(wǎng)絡(luò)正在日新月異地進步中，還有諸多技術(shù)值得我們學(xué)習和嘗試，例如增大訓(xùn)練樣本數(shù)量的“數(shù)據(jù)增強”方法;ResNet

中的殘差學(xué)習方法;Inception 網(wǎng)絡(luò)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(shù)據(jù)中使用 CNN

也是一個值得嘗試的方向。

二、研報結(jié)論和展望

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是目前發(fā)展最為成熟、投入研究力度最大的深度學(xué)習模型，是近年來人工智能蓬勃發(fā)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(gòu)建人工智能選股模型。初步得出以下結(jié)論：

1.

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是目前最為成熟的深度學(xué)習模型，是近年來人工智能蓬勃發(fā)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(jié)出以下經(jīng)驗：(1)股票因子數(shù)據(jù)可以組織成二維的“圖片”形式，這使得 CNN

具有了時間序列學(xué)習的能力。(2)當卷積核作用于股票因子數(shù)據(jù)時，本質(zhì)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(shù)據(jù)的“模糊化”，這對體現(xiàn)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(shù)據(jù)在“圖片”中的排列順序會影響到

CNN 的學(xué)習結(jié)果。

2. 我們構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)、全連接神經(jīng)網(wǎng)絡(luò)、線性回歸三個模型，在

2011-01-31 至2019-1-31 的回測區(qū)間中分年度進行訓(xùn)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(jīng)網(wǎng)絡(luò)，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(xiàn)都要優(yōu)于全連接神經(jīng)網(wǎng)絡(luò)和線性回歸。

3. 基于卷積神經(jīng)網(wǎng)絡(luò)、全連接神經(jīng)網(wǎng)絡(luò)和線性回歸，我們構(gòu)建了行業(yè)、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(qū)間中，當以滬深 300

為基準時，兩種神經(jīng)網(wǎng)絡(luò)在年化超額收益率、信息比率和 Calmer 比率上的表現(xiàn)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(xiàn)都優(yōu)于另外兩個模型，全連接神經(jīng)網(wǎng)絡(luò)略優(yōu)于線性回歸。

4. 隨著 ImageNet

旗下的大規(guī)模視覺識別挑戰(zhàn)賽(ILSVRC)連續(xù)數(shù)年的推動，卷積神經(jīng)網(wǎng)絡(luò)正在日新月異地進步中，還有諸多技術(shù)值得我們學(xué)習和嘗試，例如增大訓(xùn)練樣本數(shù)量的“數(shù)據(jù)增強”方法;ResNet

中的殘差學(xué)習方法;Inception 網(wǎng)絡(luò)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(shù)據(jù)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(jié)

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(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。