开源量化评论：深度学习赋能技术分析

深度学习赋能技术分析魏建榕（分析师）盛少成（分析师）weijianrong@kysec.cn证书编号：S0790519120001shengshaocheng@kysec.cn证书编号：S0790523060003基于技术指标的因子挖掘在本文第一部分，我们主要利用股价数据（开、高、低、收、成交量），以及衍生出的相关技术指标进行因子挖掘。在挖掘方式上，我们对比了如下两种：（1）直接使用LSTM；（2）先用遗传算法挖掘出有效因子，再将其和原始数据一起作为初始变量，使用LSTM。其中，第二种方式下得到的因子𝐿𝑆𝑇𝑀RankIC从2019年至今为9.27%，高于第一种方式下𝐿𝑆𝑇𝑀外，𝐿𝑆𝑇𝑀𝑑𝑒𝑎𝑝_𝑡𝑒𝑐ℎ基本包含了𝐿𝑆𝑇𝑀𝐿𝑆𝑇𝑀𝑑𝑒𝑎𝑝_𝑡𝑒𝑐ℎ之后，残差基本不具备选股效果。基于图形识别的因子挖掘在本文第二部分，我们尝试从图形出发，构建形态选股因子。对于图形的识别，在深度学习领域，一种可行的方法即：使用CNN网络学习股票状态，生成状态隐藏层，接着通过全连接层输出涨跌判断。但是经过尝试我们发现：此方法训练耗时较长且对算力、内存要求较高；除此之外，图形识别无法涵盖一些更为细致的影响因素（如涨跌停等），且可以涵盖的技术指标数量存在一定的限制。针对此情况，我们进行了方案的转变，即人为定义图形的状态。基于状态的划分，我们尝试了两种思路构建因子：（1）人工维度：构建历史形态相似度因子𝑇𝑒𝑐ℎ_𝑠𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦和𝐾_𝑠𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦，二者合成后𝑇𝑒𝑐ℎ_𝐾_𝑠𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦从2019年至今其RankIC为4.87%；（2）深度学习维度：将状态变量放入LSTM中进行训练，得到因子𝐿𝑆𝑇𝑀𝑔𝑟𝑎𝑝ℎ，2019年至今RankIC为9.01%。除此之外，𝐿𝑆𝑇𝑀含𝑇𝑒𝑐ℎ_𝐾_𝑠𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦的alpha信息。综合的深度学习技术因子在以上两个部分的讨论中，我们深度论证了在使用深度学习挖掘技术因子时，输入端对于最后结果的影响。本文给出两种尝试：（1）结合遗传算法有效因子，得到𝐿𝑆𝑇𝑀𝑑𝑒𝑎𝑝_𝑡𝑒𝑐ℎ；（2）将技术指标转化为状态变量，得到𝐿𝑆𝑇𝑀二者是从不同维度出发构建的因子，因此相互都不能被对方完全解释，最终我们将二者等权合成，绩效进一步提升。合成因子𝑳𝑺𝑻𝑴今RankIC为10.89%，RankICIR为4.99，10分组多空对冲的年化收益为37.28%，整体表现较为优异。其他重要补充：与𝑳𝑺𝑻𝑴𝒑𝒓𝒐结合在 《 深 度 学 习 赋 能 交 易 行 为 因 子 》 中 ， 我 们构 建 了因 子𝑳𝑺𝑻𝑴𝒅𝒆𝒂𝒑_𝒕𝒆𝒄𝒉_𝒈𝒓𝒂𝒑𝒉只使用到了基础量价指标而言，些，二者因子相关性仅达到38.61%。进一步地，我们将二者等权合成，因子绩效更好，从2019年至今RankIC为11.93%，10分组多空对冲的年化收益为39.85%。值得一提的是，相较于𝐿𝑆𝑇𝑀明显，多头超额年化收益从9.40%提升至11.34%，收益波动比从2.01提升至2.80。风险提示：本报告模型基于历史数据测算，市场未来可能发生重大改变。 1/13——开源量化评论（109）𝑑𝑒𝑎𝑝_𝑡𝑒𝑐ℎ的𝑡𝑒𝑐ℎ的7.42%。除此之的alpha信息，在使用𝐿𝑆𝑇𝑀𝑡𝑒𝑐ℎ回归𝑔𝑟𝑎𝑝ℎ基本包𝑔𝑟𝑎𝑝ℎ。由于𝒅𝒆𝒂𝒑_𝒕𝒆𝒄𝒉_𝒈𝒓𝒂𝒑𝒉从2019年至𝐿𝑆𝑇𝑀𝑝𝑟𝑜。相 较于𝑳𝑺𝑻𝑴𝒑𝒓𝒐指标元素更加丰富一𝑑𝑒𝑎𝑝_𝑡𝑒𝑐ℎ_𝑔𝑟𝑎𝑝ℎ，合成后因子多头分组更加 𝑡𝑒𝑐ℎ 目录1、基于技术指标的因子挖掘........................................................................................................................................................31.1、直接进行LSTM挖掘：𝑳𝑺𝑻𝑴𝒕𝒆𝒄𝒉..............................................................................................................................31.2、遗传算法挖掘：有效技术因子.....................................................................................................................................41.3、结合遗传算法有效因子，使用LSTM挖掘：𝑳𝑺𝑻𝑴𝒅𝒆𝒂𝒑_𝒕𝒆𝒄𝒉...............................................................................52、基于图形识别的因子挖掘........................................................................................................................................................62.1、图形的识别：人为状态划分.........................................................................................................................................62.2、基于状态划分，人工构建历史相似度因子..................................................................................................................72.3、基于状态划分，构建深度学习因子𝑳𝑺𝑻𝑴𝒈𝒓𝒂𝒑𝒉.......................................................................................................82.4、𝑳𝑺𝑻𝑴𝒈𝒓𝒂𝒑𝒉与𝑻𝒆𝒄𝒉_𝑲_𝒔𝒎𝒊𝒍𝒂𝒓𝒊𝒕𝒚相关性分析.........................................................................................................93、综合的深度学习技术因子：𝑳𝑺𝑻𝑴𝒅𝒆𝒂𝒑_𝒕𝒆𝒄𝒉_𝒈𝒓𝒂𝒑𝒉.........................................................................................................94、其他重要补充：与𝑳𝑺𝑻𝑴𝒑𝒓𝒐结合.........................................................................................................................................115、风险提示..................................................................................................................................................................................11图表目录图1：开源金工特色LSTM因子挖掘整体流程...........................................................................................................................4图2：𝑳𝑺𝑻𝑴𝒕𝒆𝒄𝒉的10分组多空对冲年化收益达24%..............................................................................................................4图3：𝑳𝑺𝑻𝑴𝒕𝒆𝒄𝒉的10分组多空对冲净值较为优异..................................................................................................................4图4：开源金工特色遗传算法因子挖掘框架................................................................................................................................4图5：对于以2010-2016年数据挖掘出的因子而言，样本外也保持了较好的选股效果.........................................................5图6：𝑳𝑺𝑻𝑴𝒅𝒆𝒂𝒑_𝒕𝒆𝒄𝒉的10分组多空对冲年化收益达32%...................................................................................................6图7：𝑳𝑺𝑻𝑴𝒅𝒆𝒂𝒑_𝒕𝒆𝒄𝒉的10分组多空对冲净值较为优异.......................................................................................................6图8：相较于𝑳𝑺𝑻𝑴𝒕𝒆𝒄𝒉，𝑳𝑺𝑻𝑴𝒅𝒆𝒂𝒑_𝒕𝒆𝒄𝒉的绩效更加优异..................................................................................................6图9：示例：上证指数在20250624的行情界面..........................................................................................................................7图10：𝑻𝒆𝒄𝒉_𝒔𝒎𝒊𝒍𝒂𝒓𝒊𝒕𝒚的10分组多空对冲年化收益达20.22%.............................................................................................7图11：𝑲_𝒔𝒎𝒊𝒍𝒂𝒓𝒊𝒕𝒚的10分组多空对冲年化收益达19.25%....