量化专题报告：基于可见性图嵌入的沪深300深度学习增强策略

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 基于可见性图嵌入的沪深 300 深度学习增强策略 2023 年 10 月 13 日 ➢ 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。 [Table_Author] 分析师 叶尔乐 执业证书： S0100522110002 邮箱： yeerle@mszq.com 相关研究 1.量化专题报告：冷门猎手：权益基金提前布局能力分析-2023/10/12 2.量化专题报告：驱动创新的资本力量：创新效率中的超额收益-2023/10/12 3.量化专题报告：从传统策略到深度学习的可转债投资-2023/10/10 4.资产配置月报：十月配置视点：能源板块当下的配置价值几何？-2023/10/08 5.量化周报：景气度跳升，节后有望反弹-2023/10/08 量化专题报告 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 目录 1 可见性图的构造以及图结构嵌入 ............................................................................................................................... 3 1.1 可见性图 ............................................................................................................................................................................................... 3 1.2 复杂网络的节点权重 .......................................................................................................................................................................... 5 1.3 从图结构中提取嵌入信息 .................................................................................................................................................................. 5 2 模型结构与开箱分析 ................................................................................................................................................. 8 2.1 基于图结构嵌入的深度神经网络 ..................................................................................................................................................... 8 2.2 DA-RNN 网络 ..................................................................................................................................................................................... 9 2.3 CAAN 网络 ........................................................................................................................................................................................ 10 2.4 图结构特征对股票的分类效果 ......................................................................................................