20240710-西南证券-机器学习应用系列_量价时序特征挖掘模型在深度学习因子中的应用_35页_5mb

金融工程深度报告：机器学习应用系列——量价时序特征挖掘模型在深度学习因子中的应用

摘要

研究目的

本报告基于股票量价时序特征，探索深度学习模型应用于选股和指数增强策略的可行性。

核心发现

通过构建GRU深度学习模型、AE降维模型及GAN生成模型：

• 基础GRU模型能产生0.3-3.1倍的RankIC效果，多头年化收益率可达2-18倍，但仍有优化空间
• AE降维至360特征后，模型效率提升但效果下降；GAN生成特征后模型效果明显提升
• 沪深300增强策略年化超额收益达1502%
• 中证1000增强策略年化超额收益达1754%

风险提示

• 历史数据驱动的模型结论具有时效性限制
• 策略表现未考虑未来市场波动等系统性风险
• 模型参数未充分调优，计算效率仍有改善空间

西南证券研究发展中心