20171124-华泰证券-华泰人工智能系列之九_人工智能选股之循环神经网络模型_31页_1mb

报告摘要

金工研究：人工智能选股之循环神经网络模型总结

核心内容

本文探讨了循环神经网络（RNN）在股票多因子选股中的应用，重点分析了传统RNN、LSTM和GRU三种模型的性能表现。研究指出，在月频的多因子选股场景中，LSTM模型在年化超额收益率和信息比率方面优于线性回归模型，但最大回撤也相对较高。GRU模型的表现与LSTM相近，但结构更简单，适合大规模数据训练。此外，研究还提出通过分析神经网络的权重更新过程，可以提升模型的可解释性。

主要观点

循环神经网络的适用性
循环神经网络相比传统神经网络（ANN）具有处理时间序列数据的能力，能够捕捉股票因子的时序依赖关系，因此更适合用于多因子选股。
LSTM模型的优势与局限
LSTM通过引入细胞状态和门控机制缓解了传统RNN的梯度消失问题，表现优于RNN和GRU模型。但其在月频数据上的表现不如XGBoost，这可能是由于数据量较小导致。
模型可解释性
通过分析LSTM训练过程中的权重变化，可以部分揭示模型的决策机制，使得神经网络不再是“黑箱”，从而提升模型的可解释性。
参数选择与模型结构
LSTM模型在参数选择上采用了经验方法，如设置输入维度为70（对应因子数目），输出维度为2（二分类），隐藏层数为2层，每层100个神经元。这些参数的选择兼顾了模型的预测能力和训练效率。
模型测试与结果
在2011-01-31至2017-10-31的回测区间中，LSTM模型样本外平均正确率为58.57%，样本外平均AUC为0.5576。LSTM模型在全A行业中性选股策略中，超额收益在20.36%~25.05%之间，信息比率为2.95~3.76，但最大回撤为13.13%~16.84%。
模型对比分析
LSTM模型在综合表现上优于传统RNN和GRU，但不如XGBoost，这可能是因为月频数据量较小，不利于神经网络发挥优势。

关键信息

测试周期：2011-01-31至2017-10-31，分7个阶段进行回测。
因子池：包含70个因子，涵盖估值、成长、财务质量、杠杆、市值、动量反转、波动率、股价、beta、换手率、情绪、股东等类别。
模型结构：LSTM模型包含遗忘门、输入门和输出门，以及细胞状态（Cell State）。
训练与测试流程：使用分层回测方法，将数据分为训练集和验证集，通过观察loss变化来停止训练。
模型性能指标：包括年化超额收益率、信息比率、最大回撤等。

模型测试流程

数据获取
- 股票池：全A股，剔除ST股、停牌股和上市不足3个月的股票。
- 回测区间：2011-01-31至2017-10-31，分7个阶段测试。
特征和标签提取
- 特征：每个自然月的因子暴露度，共70个。
- 标签：下一个月的个股超额收益，以沪深300指数为基准。
特征预处理
- 中位数去极值。
- 缺失值处理：用中信一级行业相同个股的平均值填充。
- 行业市值中性化。
- 标准化处理。
训练集与验证集划分
- 每月末截面期选取下月收益前30%为正例，后30%为负例。
- 随机选取90%为训练集，10%为验证集。
训练与调参
- 使用RMSProp优化器，学习速率为0.001。
- 当验证集loss连续10轮无提升时停止训练。
- 最优参数为验证集loss最低的一组。
样本外测试
- 使用预处理后的特征作为输入，得到预测值。
- 进行单因子分层回测，评估模型效果。
模型评价
- 使用分层回测结果评估模型性能，包括正确率、AUC等指标。