深度学习分析报告：涵盖价量与基本面因子的多模型结合神经网络.pdfVIP

深度学习揭秘系列之二：

涵盖价量与基本面因子的多模型结合神经网络

[Table_ReportTime]

2024年10月30日

[Table_FirstAuthor]

1

[Table_Title]

证券研究报告深度学习揭秘系列之二：涵盖价量与基本面

金工研究因子的多模型结合神经网络

[TableReportType]

金工专题报告

[Table_ReportDate]2024年10月30日

[Table_Author]

[Table_Summary]

➢本文是深度学习揭秘系列报告第二篇。本文先以量价因子Alpha158与基本面因子为

特征，全连接神经网络为测试对象，从模型的输入端入手，讨论了量价因子与基本面

因子对原始收益的预测效果，以及在预测中性化收益率的场景下，不同输入形式与

输出处理方式的特点。其次，本文研究通过参数遍历的方式,对比了时序神经网络相

对全连接神经网络的优劣，研究了时序神经网络的参数设置规律，以及时序神经网

络对量价因子和原始行情数据的拟合及预测效果。

➢以量价因子原始值建模预测中性化收益，在因子IC与组合收益上有损，但模型能学

习到市值与行业的波动。在预测中性化收益的场景下，本文对比了不同的输入三种

方式。（1）以原始值为特征，原始收益率为标签，中性化模型预测值。（2）以中性化

值为特征，中性化收益率为标签，直接输出预测值。（3）以中性化值为特征，中性化

收益率为标签，再中性化模型预测值。综合对比发现，第一种方法的预测值RankIC

与多头组合超额收益略低于第二种方式；但第一种方式的超额收益波动率与最大回

撤每年均值优于第二种方式；第二种方式的RankIC与第三种方式相差不大。

➢基本面因子存在中性化预处理的必要。直接将基本面因子原始值输入神经网络模型，

我们发现预测原始收益的RankIC相对较低，预测中性化收益的RankIC也显著低于

输入端经过中性化预处理的基本面因子。因为不同行业的基本面因子存在中枢的差

距，因此我们认为基本面因子在输入神经网络前需要进行中性化处理。

➢基本面因子的中性化收益预测能力能补充量价因子的原始收益预测能力。在预测原

始收益的场景下，本文对比了量价因子原始值与基本面因子原始值非线性结合，和

量价因子原始值与基本面因子中性化值非线性结合，两种方式的预测效果。对比发