可见性图可以刻画量价时序性结构特征。可见性图是一种将时间序列数据转化成一张图结构的方法。抽取可见图的结构特征并训练分类器的方法被广泛用于时间序列数据的分类问题。可见图转化为复杂网络后，复杂网络的结构包含了时间序列中局部或者全局的波动率与趋势信息，多篇研究利用可见性图及其特征进行时序数据的预测并取得了显著效果。简单的可见性图结构特征可以构造弱有效的选股因子，日度IC均值0.03。
　　利用结构向量法提取图结构特征，可以刻画股票的潜在属性。尽管人为定义计算的可见性图结构特征已经被证实过对时序数据有一定的分类效果，我们选择用一种无监督学习的方式来抽取复杂网络的图结构特征——结构向量法。与传统的图嵌入方法相比，struc2vec更加高效，且在多个数据集上分类更加精确，并可以应用于大规模图的嵌入。用结构向量法提取的图结构特征对沪深300的股票进行聚类，在多种风格因子上有显著分类效果，在周期行业上区分效果相对不明显。
　　利用二阶段循环神经网络与跨资产注意力网络构造预测模块，从而纳入潜在属性及股票间的相互关系。两阶段注意力循环神经网络DA-RNN可以通过按照时间顺序上不断训练结构性信息的模型结构，提取图结构嵌入特征，在生成股票因子表示时纳入股票的潜在信息。跨资产注意力网络CAAN可以对股票间的相互关系进行建模，计算batch内因子表示的相似度，作为注意力机制的来源。最终通过sigmoid函数，以下一个交易日股票价格是否上涨为因变量进行建模，输出股票上涨概率。利用混淆矩阵来衡量模型准确率，验证集内准确率68%，精确率达70%。
　　日频模型选股和择时效果显著，合成股指信号依然有效。将模型预测的个股日度上涨概率作为日频选股因子struc_learning，因子日度IC均值0.16，ICIR1.2；中性化后因子表现有所下降，但选股效果依然显著。日度调仓多头组合年化超额收益95.6%，信息比率8.0，但策略容量较低。增加持股数量构建沪深300增强组合，组合平均持股数量137只，策略容量显著上升，年化超额收益46.7%，信息比率5.87。用个股信号合成股指日度涨跌概率信号，并构建沪深300仓位择时策略，年化超额收益13.3%，信息比率1.47，预测涨跌准确率64%。
　　风险提示：量化模型基于历史数据，市场未来可能发生变化，策略模型有失效可能。

研究报告全文：量化专题报告2023年10月13日基于可见性图嵌入的沪深300深度学习增强策略TableAuthor可见性图可以刻画量价时序性结构特征可见性图是一种将时间序列数据转化成一张图结构的方法抽取可见图的结构特征并训练分类器的方法被广泛用于时间序列数据的分类问题可见图转化为复杂网络后复杂网络的结构包含了时间序列中局部或者全局的波动率与趋势信息多篇研究利用可见性图及其特征进行时序数据的预测并取得了显著效果简单的可见性图结构特征可以构造弱有效的选股因子日度IC均值003分析师叶尔乐利用结构向量法提取图结构特征可以刻画股票的潜在属性尽管人为定执业证书S0100522110002邮箱yeerlemszqcom义计算的可见性图结构特征已经被证实过对时序数据有一定的分类效果我们选择用一种无监督学习的方式来抽取复杂网络的图结构特征结构向量法相关研究与传统的图嵌入方法相比struc2vec更加高效且在多个数据集上分类更加精1量化专题报告冷门猎手权益基金提前确并可以应用于大规模图的嵌入用结构向量法提取的图结构特征对沪深布局能力分析-20231012300的股票进行聚类在多种风格因子上有显著分类效果在周期行业上区分2量化专题报告驱动创新的资本力量创效果相对不明显新效率中的超额收益-20231012利用二阶段循环神经网络与跨资产注意力网络构造预测模块从而纳入潜3量化专题报告从传统策略到深度学习的可转债投资-20231010在属性及股票间的相互关系两阶段注意力循环神经网络DA-RNN可以通过按4资产配置月报十月配置视点能源板块照时间顺序上不断训练结构性信息的模型结构提取图结构嵌入特征在生成当下的配置价值几何-20231008股票因子表示时纳入股票的潜在信息跨资产注意力网络CAAN可以对股票间5量化周报景气度跳升节后有望反弹-20的相互关系进行建模计算batch内因子表示的相似度作为注意力机制的来231008源最终通过sigmoid函数以下一个交易日股票价格是否上涨为因变量进行建模输出股票上涨概率利用混淆矩阵来衡量模型准确率验证集内准确率68精确率达70日频模型选股和择时效果显著合成股指信号依然有效将模型预测的个股日度上涨概率作为日频选股因子struclearning因子日度IC均值016ICIR12中性化后因子表现有所下降但选股效果依然显著日度调仓多头组合年化超额收益956信息比率80但策略容量较低增加持股数量构建沪深300增强组合组合平均持股数量137只策略容量显著上升年化超额收益467信息比率587用个股信号合成股指日度涨跌概率信号并构建沪深300仓位择时策略年化超额收益133信息比率147预测涨跌准确率64风险提示量化模型基于历史数据市场未来可能发生变化策略模型有失效可能本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告1量化专题报告目录1可见性图的构造以及图结构嵌入311可见性图312复杂网络的节点权重513从图结构中提取嵌入信息52模型结构与开箱分析821基于图结构嵌入的深度神经网络822DA-RNN网络923CAAN网络1024图结构特征对股票的分类效果113模型效果实证1331参数选择及准确率衡量1332模型选股表现1433模型择时表现174总结与思考225风险提示236参考文献24插图目录25本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告2量化专题报告1可见性图的构造以及图结构嵌入11可见性图可见性图VisibilityGraph是一种将时间序列数据转化成图结构的方法抽取可见图的结构特征并训练分类器的方法被广泛用于时间序列数据的分类问题可见性图的定义如下对于一个时间序列P1其可见图表示为给定两个数据点和若其中的所有数据点满足则两点的连线视为一条边edge时序中所有符合条件的数据点以及其边的集合即为这一时序的可见图用更直观的角度解释若将一个时间序列表达为一个柱状图依次站在柱子的顶端往前看如果可以看到任意一条柱子的顶端则在这两条柱子间连接一条线形成具有网络结构的边图1可见性图连接规则示意资料来源DaoyuanLietal20181可见图方法通过结构图直观地展示时间序列映射后的复杂网络此时的复杂网络继承了时间序列的属性使用可见图方法转换时间序列为复杂网络的方法最早可以追溯到2008年LucasLacasa等人的论文FromtimeseriestocomplexnetworksThevisibilitygraph1我们可以把时间序列数据中的时间信息转换为复杂网络的节点位置信息时间序列中的可见性关系转换为复杂网络中节点与节点间的连线关系这种可见性的连接关系同样刻画了时间序列数据中数值的相对大小关系但不同于时间序列的两个维度t时间和y数值维度可见图的最终表示形式则为一个的矩阵若点与点有连线则矩阵中的元素1否则为0下图展示了某一只股票在2019年底的20天收盘价构造的可见性图可视化复杂网络及矩阵化表示红色为1白色为0本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告3量化专题报告图2某只股票20天收盘价的可见性图及复杂网络资料来源Wind民生证券研究院可见性图及其特征被广泛应用于时序数据的预测中比如在DaoyuanLietal在2018年发表的论文ExtractingStatisticalGraphFeaturesforAccurateandEfficientTimeSeriesClassification3中作者将可见性图中提取出的多个特征输入XGBoost模型对UCR大学创建的时间序列数据集中的多个时间序列数据进行了分类并取得了显著的分类效果证明了可见性图的结构特征可以对样本进行分类从这一角度出发我们可以将可见性图结构特征的分类效果应用到股票市场中将可见图结构特征作为股票的潜在属性输入到神经网络中提升模型的预测效果在A股中可见性图中的结构性特征对股票有一定的选择效果其逻辑在于结构中蕴含的波动性与趋势最简单且常见的图结构特征为平均最短步长即每个节点连到其他点最短步长的平均想象一种U型价格走势按照可见性图的规则图中的所有价格点都可以看见彼此则类似的图结构有着最低的平均最短步长一步就可以从任一点到任一点反之若价格走势为倒U型则图结构有着最高的平均最短步长根据类似图结构中包含的波动率与趋势信息我们可以构建简单的选股因子例如我们可以基于股票过去20个交易日收盘价可见性图的平均最短步长减去负收盘价可见性图的平均最短步长构建日频选股因子在全A上取得003的日度IC图3可见性图结构因子日度IC资料来源Wind民生证券研究院本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告4量化专题报告12复杂网络的节点权重除了每个网络的图结构特征外我们还需要考虑每一个网络节点的权重因为每个节点蕴含的信息权重是不一样的在传统的复杂网络分析框架中有很多方法可以用来衡量节点权重如度中心性介数中心性接近度中心性等我们采用FlavianoMoroneandHernanAMakse于2015年发表的论文Influencemaximizationincomplexnetworksthroughoptimalpercolation中提到的CollectiveInfluence3算法根据Morone等人的研究CI算法计算高效并且相比起传统权重计算方法可以更好识别网络结构中的节点贡献在CI算法中要计算点的CI指数首先从点出发跳步可以到达的所有点的集合即距离点的最短步数为的所有点构成以点为中心半径为2的球面表示为则每个节点的CI指数计算方式定义如下11其中为节点的度数即节点连的边数我们以某只股票20天的量价指标为例计算节点权重如下图4某只股票20天量价指标的相应节点权重示例close301001685050779080487227302968130164033248vol21650695025685205207565628501201201201401281406363high639256841445656768550243142148304045141812open13614414712013677140120162228164104164504619011211616low13314012612611881161161521301301321326440144994amount21650695025685205207565628501201201201401281406363资料来源Wind民生证券研究院13从图结构中提取嵌入信息上一节中我们提到传统的复杂网络用人为定义的结构特征如平均最短步长对时序数据进行分类尽管这种传统的方法已经被证实过对时序数据有一定的分类效果我们选择用一种更有效的训练方式来抽取复杂网络的图结构特征结构向量法Struc2vec此方法由2017年LeonardoFRRibeiro等人发表的研究struc2vecLearningNodeRepresentationsfromStructuralIdentity中提出4结构向量法是一种将复杂网络中的节点表示为嵌入向量并用其进行分类的无监督学习算法与传统的图嵌入方法相比struc2vec更加高效且在多个数据集上分类更加精确并可以应用于大规模图的嵌入需要注意的是12中提到的CI指数与结构向量法是两个独立的算法CI指数衡量的是复杂网络中每个节点的信息权重而结构向量法则是从这些节点中提取潜在特征将节点信息变为嵌入向量2种算法作用不同并无关联在后续模型构建中本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告5量化专题报告我们计算可见性图后将分别计算CI节点权重与结构向量嵌入并输入到神经网络中进行预测Ribeiro等人认为一个好的可以反映节点结构特性的方法需要使得嵌入embedding向量间的距离可以反映节点之间的结构相似性即两个局部结构相似节点的嵌入距离应该相近并且节点表示不依赖于节点本身的属性边的属性以及节点标签即使两个节点离的很远也能够识别出他们在结构上的相似性基于上述目的作者提出了结构向量算法将每一个节点表示为嵌入向量核心思想是先根据节点相似度构建多个图层在其中进行多次随机游走并构建上下文环境再将上下文环境套入Word2vec算法中的skip-gram模型学习每个节点的向量表示skip-gram模型是一种用于生成词向量的神经网络模型它的目标是通过学习上下文信息来捕捉单词之间的语义关系具体而言skip-gram模型试图预测给定一个中心单词周围出现的其他单词举个例子来说假设我们有一个句子北京的天空很蓝在skip-gram模型中我们将选择一个中心单词比如天空并尝试预测它周围出现的其他单词通过这样的训练过程skip-gram模型可以学习到每个单词在不同上下文中的表示对应到复杂网络中即可以学习到每个节点在随机游走构建的上下文环境中的向量表示结构向量法的大致计算步骤如下1根据不同距离的相邻节点信息对K个k跳邻域分别计算每两个节点的相似度即计算K个层级的相似度信息其中K为网络的直径即网络中任意两点距离的最大值计算相似度的核心思想是如果两个节点的度相同那么这两个节点结构相似如果这两个节点的邻居度也相同那么这两个节点的结构相似性比前者更高图5中左边展示了一个网络中点u黄色点的123跳邻域12和3即绿色点的集合以及节点u和v的相似度算法示意其中g代表了2和2的距离函数具体算法在本文中不再赘述2构建一个带权重的多层图层数为K每个图层中都包含网络中的所有节点且每两点间均有边边的权重与以这一层的层数k计算的两点的结构相似度有关两个点结构相似度越高这条边的权重越高3使用有偏的随机游走生成每一个节点的路径对于每个节点从基层开始进行随机游走节点的每一次游走可以走到同一层的其他点或是上下层的同一点概率与步骤2中的边权重有关图5中展示了3个图层的情况下随机游走的路径示意4根据多次随机游走获得的多个序列将序列类比为上下文环境使用Skip-Gram算法来生成节点表示我们选择为20个节点的网络中的每个节点生成P32的向量表示本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告6量化专题报告图5结构向量法示意图资料来源AdrianColyer20175民生证券研究院本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告7量化专题报告2模型结构与开箱分析21基于图结构嵌入的深度神经网络基于可见性图的图结构嵌入可以应用到深度神经网络中我们在上一篇深度学习的专题报告深度学习如何利用公募持仓网络优化选股效果中论证了神经网络中加入股票潜在属性嵌入的可行性提出了用股票动态的潜在属性影响因子表示并预测股票收益的方法即将embedding与LSTM输出的隐藏层一起拼接到MLP中在本篇报告中我们参考WuJetal20226中提出的图结构嵌入的神经网络预测模型采用类似的思路我们在13中提出了用结构向量法构建每一个可见性图的嵌入表示以此来表示股票的潜在属性接下来我们在预测模块中将图结构嵌入输入到深度神经网络中进行股票涨跌预测总体模型结构如下图6基于图结构嵌入的深度神经网络结构资料来源民生证券研究院绘制在上图的网络结构中我们对于每一个样本即单天单只股票的单个量价指标过去20天的数据计算可见性图随后分别计算节点权重CI以及结构向量嵌入矩阵我们的预测模块由2部分构成第一部分是DA-RNN一个双步的深度神经网络来对嵌入信息进行编码并将编码后的股票潜在属性与原始量价信息和节点权重一起输入到DA-RNN的第二步中输出股票个股当天单变量的因子表示再将6个价量指标的隐藏层相加输入到跨资产注意力网络CAAN中最后通过一个全链接神经网络即上图中的Linear1以及sigmoid函数输出一个0-1的预测变量即个股在下一个交易日的上涨概率下面我们将介绍预测模块中用到的DA-RNN网络和CAAN网络本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告8量化专题报告22DA-RNN网络两阶段注意力循环神经网络Dual-stageAttention-basedRNN即DA-RNN可以通过按照时间顺序上不断训练结构性信息用双步的模型结构提取图结构嵌入特征并输入到特征处理中影响原始价量数据的建模DA-RNN由YaoQin等人在2017年发表的论文ADual-StageAttention-BasedRecurrentNeuralNetworkforTimeSeriesPrediction7中提出DA-RNN是一个双阶段的注意力机制循环神经网络模型主要思想就是将前t个时间步的信息利用编码器encoder编码到一个融合吸纳前t个时间步信息的定长向量然后使用解码器decoder进行解码对后续的时间步骤进行预测与传统的将embedding特征与隐藏层进行拼接不同DA-RNN用Encoder-Decoder的结构纳入嵌入信息充分利用了之前提取的结构特征在Encoder中我们在每一个时间步输入图嵌入以用一个LSTM提取隐藏特征并将上一个时间步的隐藏特征输入到这个时间步并使用输入注意力机制来选择相关特征对应下图中的InputAttention机制赋予每个特征一定权重随后我们在模型的第二步Decoder中加入原始量价数据以及CI算法计算的节点权重并加入时间注意力机制来选择整个时间步长中相应的隐藏层状态对应下图中的TemporalAttention机制并计算最终的隐状态即因子表示图7DA-RNN网络结构资料来源YaoQinetal20177图7a中展示了DA-RNN中特有的输入注意力机制编码器首先构建一个输入注意力层以输出初始隐藏层0随后在每一个时间步上使用当前时刻的输入以及上一个时刻编码器的隐藏层1输入LSTM并更新当前时间步上的隐状态11这里32即为结构向量法中的特征维度随后把第k个特征与前一时刻的隐状态与细胞状态进行线性组合再用tanh激活得到1将用softmax函数进行归一化便得到了t时刻的注意力权重exp11最后更新下一步t时刻的输入输入注意力1exp机制使得编码器能够关注其中输入特征中重要的特征而不是对所有特征一视同仁这也是所有注意力机制的本质作用本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告9量化专题报告图7b中介绍了第二阶段的解码器注意力机制需要注意的是图7b中已经包含了a中的过程而图7a可以看作是得到与的过程细节第二阶段解码器中采用的TemporalAttention类似于传统的注意力机制在不同时刻采用不同的背景向量contextvector以达到只选取相关时刻的隐藏层的目的使得解码器能够关注时序中重要的隐状态而不是对每一天的隐状态一视同仁其中背景向量1表示为所有时刻隐藏层的加权平均权重即为注意力权重对于注意力权重的计算作者基于前一个时刻解码器的隐状态1与细胞状态进行线性组合再用tanh激活得到1将用softmax函exp数进行归一化便得到了t时刻的注意力权重更新下一步的背景1exp向量1最终更新当前t时刻解码器的隐状态2111而当前时刻的隐状态即为我们模型中输出的最终因子表示23CAAN网络跨资产注意力网络CAANCross-AssetAttentionNetwork可以对股票间的相互关系进行建模作为注意力机制的来源CAAN最早由JingyuanWang等人于2019年发表的论文AlphaStockABuying-Winners-and-Selling-LosersInvestmentStrategyusingInterpretableDeepReinforcementAttentionNetworks8中提出传统的self-attention注意力机制着重学习输入特征在时序上相关性较高的部分而跨资产注意力网络则以股票间因子的相似度作为注意力机制的来源我们将上一步中得到的因子表示输入到CAAN中给定资产表征我们计算出股票i的查询向量密钥向量和价值向量其中和是待学习的参数矩阵资产j与资产i的相互关系被建模为使用资产i的来查询资产j的密钥即与的内积然后将相互关系作为权重将exp其他资产的值向量加起来成为一个归一化加权得分exp1作为个股的得分最后用全连接层即下图中的FullyConnectedLayerLinear1通过sigmoid函数将得分转化为个股的上涨概率即0-1的标准化输出图8CAAN网络结构示意资料来源JingyuanWangetal20198民生证券研究院本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告10量化专题报告整个模型的训练分为两部分我们将嵌入模块与预测模块分开训练先得到可见性图随后分别计算节点CI权重和训练结构向量法模型得到节点嵌入embedding信息预测模块包含了上文中提到的DA-RNN与CAAN即按照模型结构进行端到端的训练输入为原始量价信息以及嵌入模块中得到的节点权重CI与节点嵌入embedding最终输出股票的上涨概率24图结构特征对股票的分类效果结构向量法提取的图结构特征刻画了股票的潜在属性因而对股票有一定的分类效果在师野等作者于2022年发表的论文基于可见图方法的股票行业分析中作者用收盘价的平均度聚类系数紧密中心性等特征对美国道琼斯指数中的30只股票进行了聚类得到了近似于行业的分类结果这表明相似属性的股票理应具有相似的价量图结构特征我们取2019年年底截面上沪深300的所有股票用训练好的模型提取出DA-RNN编码器的输出即个股的32维隐状态这个隐状态表示了股票在这一截面上的潜在属性潜在属性应是无法直接量化的属性它可以是多种风格和行业属性的叠加或者是更深层次暂时无人发掘的股票属性我们对每支股票的6个价量指标输出的隐状态取平均并用k-means法对300支股票进行聚类聚类结果如下图9k-means法聚类各类别股票个数资料来源Wind民生证券研究院我们将沪深300内的股票聚为10类可以看出10类的数量分布没有明显不均我们进一步计算每一类股票相对沪深300的主动风格偏离解析图结构特征对股票的分类效果本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告11量化专题报告图1010类股票的风格偏离类别beta盈利成长杠杆流动性动量非线性市值市值价值波动率1-051009-022012-048-028012-0090420022040025013-001035041000002-0140373011-034029-037025077-024022-0730344-027031-005018-022-012-0010030290165-083-025-008017-043-036-012009003-0246-038041012005015-032005-002-0100137-036-049046-080000006012-014-0930538044024-024003009017-003003013-0329038-016-011-004020-014015-009-001-02110016-014-008039-016-056001-012065-051标准差042029021032027038011011046032资料来源Wind民生证券研究院从结果可以看出每一类股票都有较为明显的多种风格偏离且不尽相同类别1以高贝塔低流动性低动量高价值为主类别2以高贝塔高流动性高动量低价值为主以此类推发现每一类股票都有较为明显的多种风格纵向来看在beta动量价值等风格因子上10类股票的标准差较大证明在这些风格上结构特征对股票的区分度较高或者说股票在这几种风格上对图结构特征较为敏感图1110类股票的行业分布电力设备电力及公类别汽车银行基础化工通信计算机建筑国防军工电子食品饮料机械传媒医药有色金属石油石化能源房地产证券交通运输及新能源用事业11510131220101304100222200001104320061020032114200513002800000542120440000000212221050010000000000210118061101001000010210050470010001101002210020081210011120031220122290602213301310310201210220011021010210021111标准差083190064127126134087150080137117100087201168127083143372169资料来源Wind民生证券研究院观察行业在各个类别上的分布可以看到图结构特征在证券医药银行等行业的区分效果比较明显而在一些周期性行业如基础化工国防军工能源汽车等行业上图结构特征的分类效果相对较弱总的来说可以认为图结构特征根据股票的行业风格和潜在属性对股票进行分类从而在DA-RNN解码器中发挥作用输出更加动态包含更多股票潜在属性的因子表示本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告12量化专题报告3模型效果实证31参数选择及准确率衡量模型数据输入与参数选择具体如下表大多数参数选择均与参考论文中披露的一致建模时我们选择了沪深300成分股作为股票池主要考虑到沪深300的流动性较高以及结构向量法的中间结果较大无法一次训练过多数据等原因训练采用80G内存RTX4090显卡的服务器Struc2vec训练单个量价指标中间结果需要10个小时左右预测模块训练单次epoch需要5分钟左右整个训练过程需要运行3天左右故全历史训练单次需要一周左右图12模型数据与参数细节数据输入2010-2018年沪深300成分股的日频量价数据高开低收成交量与成交额数据窗口个股过去20个交易日量价图结构特征及CI节点权重预测下一个交易日收盘价是否上涨数据处理对于输入到DA-RNN解码器的原始价量数据及CI节点权重做z-score标准化参数选择在CI算法中取l2在结构向量法中取嵌入特征个数为32个进行80次随机游走每次随机游走进行10步Skip-Gram窗口取3模型训练神经网络最大训练轮数为800轮最小为50轮每一年训练一次预测下一年的个股日度涨跌样本外从2019年开始每次训练采用九年数据即已2010-2018年的训练模型预测2019年的日度涨跌2011-2019年的训练模型预测2020年日度涨跌以此类推单次训练的训练集与验证集为打乱的82损失函数取二元交叉熵BinaryCrossEntropy资料来源民生证券研究院我们采用混淆矩阵来衡量模型预测表现混淆矩阵是衡量分类型模型准确度中最简单直观的计算方法它分别统计了分类模型归错类归对类的观测值个数我们取下一日股票上涨为1即positive下跌为0即negative本质上模型在最后全链接层加入sigmoid决定了模型的预测值为下一个交易日个股的上涨概率故若预测值大于05我们就认为个股会上涨预测值取1反之则取0故混淆矩阵如下图所示图13混淆矩阵的四分类资料来源民生证券研究院绘制我们采用混淆矩阵中常用的4个指标来衡量模型的准确度4个指标的计算方式如下1准确率本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告13量化专题报告2精确率3召回率4F1得分12模型在训练集和预测集上的预测效果如下图所示两个数据集上的表现都随训练轮数epoch增加稳步上升验证集表现波动稍大最终正确率稳定在68左右训练集正确率接近80验证集最高精确率超过70体现了模型在多头段的预测能力图14训练集准确率随训练轮数变化图15验证集准确率随训练轮数变化资料来源wind民生证券研究院资料来源wind民生证券研究院32模型选股表现我们取每次训练验证集表现最好的一次训练作为最终模型将模型输出的涨跌概率作为个股struclearning日频因子在沪深300上回测日频选股效果回测日期2019年1月4日至2023月18日用当天因子值对应第二天开盘价到第三天开盘价计算因子日度IC与分十组年化收益因子表现出色日度IC均值016ICIR12分十组收益单调性强图16struclearning因子日度IC图17struclearning因子分十组平均年化收益资料来源wind民生证券研究院资料来源wind民生证券研究院对struclearning因子做市值行业中性化中性化后因子IC均值下降到本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告14量化专题报告01ICIR113分组收益单调性依然显著但收益下降明显图18中性化struclearning因子日度IC图19中性化struclearning因子分十组平均年化收益资料来源wind民生证券研究院资料来源wind民生证券研究院计算因子多头组合收益时考虑到每日的开盘价竞争较为激烈我们采用每日935的价格作为成交价格避免股价高开以至于因子表现虚高我们进行日度调仓取双边千三的手续费进行扣费计算因子struclearning因子分年度表现如下图所示所有年份都取得显著收益表现优异因子中性化后表现下降明显但整体仍能取得显著超额收益图20struclearning因子及中性化因子分年度表现费后多头收多头组合超多头组合信中性化因子费中性化因子费中性化因子费中性化因子中性化因子年份多空收益日度胜率益额收益息比率后多头收益后超额收益后信息比率多空收益日度胜率20191300643596990759867719619833315042020120374460314025617591258260370756820211535165113013924768439445549077366312022650111587918849630-134108104300449420238183183283284606556-65-58-0692175444平均年化1067956800172156222691992043950535资料来源wind民生证券研究院因子多头组合换手率较高年化单边换手率在220倍左右图21struclearning因子多头组合净值曲线图22中性化struclearning因子多头组合净值曲线资料来源wind民生证券研究院资料来源wind民生证券研究院对于中性化因子表现下降较多的原因我们对多头组合持仓计算主动风格暴本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告15量化专题报告露及行业暴露我们计算每一期的因子暴露并统计均值发现组合的持股并没有在风格和行业上有过大偏离相对较为明显的风格是沪深300内的相对中小市值以及低配了食品饮料银行等行业在深度学习中我们预测的是绝对收益预测结果中本身就包含了对风格和行业收益的预测对因子做中性化则剥离掉了这部分收益得不偿失图23struclearning因子多头组合平均风格偏离图24struclearning因子多头组合平均行业偏离资料来源wind民生证券研究院资料来源wind民生证券研究院近年来传统机器学习因子表现波动较大的环境下struclearning因子仍然有着优异的表现对比我们之前发布的报告深度学习如何利用公募持仓网络优化选股效果中的baselineLSTM模型效果有着明显提升这也证明了基于可见性图结构嵌入的神经网络在选股上的可行性对因子多头组合做策略容量大约在1千万左右我们取每日935-940的成交量最小股票的成交量乘以当天的持股数量得到理想情况下935-940全部成交情况下的当日策略容量测算进行10日的移动平均struclearning因子多头组合平均每期持有28-30支股票理想情况下策略4年平均容量为11亿若假设这部分成交量中实际情况下可以成交10则策略容量在千万左右图25struclearning因子多头组合策略理想容量亿本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告16量化专题报告资料来源Wind民生证券研究院33模型择时表现由于因子多头组合策略容量较低我们考虑提升组合的持股数量来增加策略容量即从截面选股策略改为类择时策略我们对struclearning因子做标准化将因子值减去05后除以当天因子值标准差得到标准化struclearning因子并按照因子值按比例买入因子值大于0的股票构建struclearning因子沪深300增强组合组合平均持股137支用类似的方法估算策略容量增强组合策略容量平均为247亿有明显提升图27struclearning沪深300增强组合策略容量图26struclearning沪深300增强组合持股数量亿资料来源wind民生证券研究院资料来源wind民生证券研究院增加持股数量后策略收益有所下降但跟踪误差也有所降低仍能取得良好表现样本外仍能有60以上的胜率证明了模型的有效性图28struclearning因子沪深300增强组合分年度表现本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告17量化专题报告费后多多头组合超多头组合信年份最大回撤日度胜率头收益额收益息比率2019711220299-565292020733371437-2460520218479301030-187052022187520672-276422023818171180302-20556平均年化554469587-56611资料来源Wind民生证券研究院struclearning沪深300增强组合净值曲线如下图29struclearning沪深300增强组合净值曲线资料来源wind民生证券研究院由于模型在沪深300成分股中优秀的选股与择时能力我们考虑用个股信号合成股指信号构建沪深300指数仓位择时策略以探索模型在股指期货策略上的潜在应用意义具体地我们取模型预测的个股日度涨跌概率以市值加权至沪深300股指信号生成沪深300股指日度涨跌概率信号信号波动较大分布略微左偏图30沪深300日度涨跌概率信号图31沪深300日度涨跌概率信号分布本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告18量化专题报告资料来源wind民生证券研究院资料来源wind民生证券研究院我们直接取当日沪深300日度涨跌概率信号作为持有沪深300指数的仓位比例依然按照935分开盘价进行日度调仓并且取双边千分之一作为回测费率日频调仓总体预测正确率64正确率较高超额收益在历史上回撤原因主要为在市场行情较好时没有满仓而导致的回撤最终年化超额收益133信息比率147图32struclearning沪深300仓位择时策略净值资料来源wind民生证券研究院仓位择时策略的分年度表现如下图33struclearning沪深300仓位择时策略分年表现本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告19量化专题报告年份策略绝对收益策略超额收益信息比率夏普比率日度胜率2019516971263816522020411750622826502021107130155068648202208265295-02063020238183348097016603平均年化216133147156640资料来源wind民生证券研究院若我们采用更为激进的策略保持胜率不变的情况下提升赔率则可以取得更好的策略表现我们规定若预测上涨概率为50以上则全仓持有沪深300指数否则在第二天上午935分卖出指数并空仓这样一来策略的波动率有显著上升但收益可以获得更显著的提升图34struclearning沪深300激进择时策略净值资料来源wind民生证券研究院激进择时策略的分年度表现如下图35struclearning沪深300激进择时策略分年表现年份策略绝对收益策略超额收益信息比率夏普比率最大回撤2019617169153406-582020809376220473-932021320350300193-72202291372325042-3020238186582137036-48平均年化387293236241-93资料来源wind民生证券研究院若可以做空则策略可以取得进一步收益我们考虑不同信号阈值下的多空策略分别尝试以050504505504060350650307五组本公司具备证券投资咨询业务资格请务必阅读最后一页免责声明证券研究报告20