机器学习金融工程月报：机器学习因子选股月报.docx

请务必阅读正文后的重要声明部分

请务必阅读正文后的重要声明部分

目录

TOC\o1-2\h\z\u前言 1

GAN_GRU模型简介 1

GRU模型基本假设 1

GAN模型简介 2

GAN特征生成模型构建 4

GAN_GRU因子表现 6

GAN_GRU因子分行业多头组合 7

风险提示 8

请务必阅读正文后的重要声明部分

请务必阅读正文后的重要声明部分

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

请务必阅读正文后的重要声明部分

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。

GAN_GRU模型简介

GRU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：

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。

训练集验证集比例：80%：20%。

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。

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。

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。

训练样本筛选方式：剔除label为空值的样本。

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

日频特征

开盘价

OpenPrice

当日开盘价

收盘价

ClosePrice

当日收盘价

最高价

HighPrice

当日最高价

最低价

LowPrice

当日最低价

成交量(万股)

TurnoverVolume

当日成交量

成交金额(万元)

TurnoverValue

当日成交金额

特征名称

特征助记符

特征说明

频次

涨跌幅(%)

ChangePCT

当日涨跌幅

振幅(%)

RangePCT

当日振幅

换手率(%)

TurnoverRate

当日换手率

均价

AvgPrice

当日均价

月成交金额(万元)

TurnoverValueRM

当月成交金额

月频特征

月涨跌幅(%)

ChangePCTRM

当月涨跌幅

月振幅(%)

RangePCTRM

当月振幅

月换手率(%)

TurnoverRateRM

当月换手率

月收盘最高价(元)

HighestClosePriceRM

当月收盘价最高价

月收盘最低价(元)

LowestClosePriceRM

当月收盘价最低价

月日均换手率(%)

TurnoverRatePerDayRM

当月日均换手率

数据来源：wind、恒生聚源、

图1：深度学习选股模型结构

数据来源：

本文通过构建两层GRU层，即GRU(128，128)，并在后面加入MLP(256，64，64)，并将模型最后输出的预测收益pRet作为选股因子。对因子的测试均建立在对因子已做行业市值中性化+标准化处理，后文将不再赘述。

GAN模型简介

GAN生成式对抗网络（GenerativeAdversarialNetworks,GANs），是由IanGoodfellow等人于2014年提出的一种深度学习模型。该模型