机器学习金融工程月报：机器学习因子选股月报.pdfVIP

机器学习金融工程月报

目录

1前言1

2GAN_GRU模型简介1

2.1GRU模型基本假设1

2.2GAN模型简介2

2.3GAN特征生成模型构建4

3GAN_GRU因子表现6

4GAN_GRU因子分行业多头组合7

5风险提示8

请务必阅读正文后的重要声明部分

机器学习金融工程月报

图目录

图1：深度学习选股模型结构2

图2：生成对抗网络（GAN）模型示意4

图3：卷积神经网络(CNN)模型示意5

图4：GAN_GRU模型示意5

图5：GAN_GRU因子各行业近期IC表现6

图6：GAN_GRU因子各行业近期多头组合表7

表目录

表1：深度学习选股量价特征表1

表2：GAN_GRU因子历史表现6

表3：2025年3月末模型输出各行业排名第一个股7

表4：因子得分排名前十的个股8

请务必阅读正文后的重要声明部分

机器学习金融工程月报

1前言

本篇，我们基于前期报告《量价时序特征挖掘模型在深度学习因子中的应用》（2024年

7月11日）中提到的GAN_GRU模型，定期更新GAN_GRU因子自2024年以来表现情况。

其中GAN_GRU因子为利用生成式对抗神经网络GAN模型进行量价时序特征处理后再利用

GRU模型进行时序特征编码得到的选股因子。

2GAN_GRU模型简介

2.1GRU模型基本假设

前期报告《量价时序特征挖掘模型在深度学习因子中的应用》中，主要构建了GRU+MLP

的神经网络股票收益预测基本模型，其中模型细节如下：

量价特征：包括收盘价、开盘价、成交量、换手率等在内的18个量价特征。

调仓频率：以月频调仓方式进行预测和回测。

训练与预测方式：

（1）训练数据及输入特征设定：所有个股过去400天内的18个量价特征，每5个交

易日做一次特征采样。特征采样形状为40*18，即利用过去40天的量价特征来预

测未来20个交易日的累计收益。

（2）训练集验证集比例：80%：20%。

（3）数据处理：每次采样的40天内，每个特征在时序上去极值+标准化、每个特征在

个股层面上截面标准化。

（4）模型训练方式：半年滚动训练，即每半年做一次模型训练，并用以未来半年收益

的预测，训练时间点为每年的6月30日及12月31日。

（5）股票筛选方式：选取截面所有股票，剔除ST及上市不足半年的股票。

（6）训练样本筛选方式：剔除label为空值的样本。

（7）超参数：batch_size为截面股票数量、优化器Adam、学习速率1e-4、损失函数

IC、早停轮数10、最大训练轮数50。

表1：深度学习选股量价特征表

特征名称特征助记符特征说明频次

前收盘价PrevClosePrice当日前一天收盘价