人工智能卷积神经网络驱动的多因子选股策略

本篇文章探讨的是"人工智能选股之卷积神经网络"，它属于华泰证券的金工研究深度研究报告系列，发表于2019年2月13日。文章作者林晓明和陈烨两位研究员结合了当前最流行的深度学习技术——卷积神经网络（CNN），来探索其在多因子选股中的应用潜力。 卷积神经网络作为深度学习的核心模型，其优势在于通过卷积和池化操作实现自动特征提取和降维，这使得它能够处理如股票因子数据这类非结构化的信息。在本文中，作者将股票因子数据转化为二维的"图片"形式，利用CNN的时间序列学习能力，让模型能够理解和捕捉因子之间的动态关系。 在实验部分，文章采用全A股票池的数据进行了单因子测试，结果显示CNN模型的预测性能优于对比模型，显示出其在选取具有高收益潜力股票方面的有效性。此外，作者还构建了行业和市值中性的全A选股策略，并将其与基于中证500的基准进行比较，CNN的表现同样表现出色。 值得注意的是，作者在运用CNN时避免了池化层，因为池化可能会模糊因子的特性，不利于模型理解每个因子的重要性。同时，他们强调了因子数据在"图片"中的排列顺序对模型学习结果的影响，意味着合理的数据布局对模型性能至关重要。 为了进一步验证CNN的效果，作者还构建了其他模型如全连接神经网络和线性回归，并在2011年至2019年的回测区间内进行年度训练和测试。结果表明，CNN合成因子的RankIC和因子收益率均值分别为13.62%和1.021%，相较于全连接神经网络稍有优势。 这篇文章通过理论分析和实证研究展示了如何利用卷积神经网络在金融领域，尤其是多因子选股中提升预测准确性和投资策略效果，为人工智能在金融决策中的应用提供了新的视角和实践案例。