深度学习揭秘系列之一：基于量价与基本面结合的深度学习选股策略

文章预览

内容摘要 ▶ 本文是深度学习揭秘系列报告第一篇， 因此本文从基础的神经网络理论部分入手，介绍了神经元结构、Relu、Sigmoid等常用激活函数、反向传播算法，以及后文中用到的Adam优化器与Dropout层。 ▶ 非线性模型更能挖掘量价因子的潜力 。 本文以开源Alpha158作为量价因子集，以及常见的估值、成长、质量、分析师一致预期等因子作为基本面因子集进行基础研究，采用线性模型Lasso和非线性模型MLP分别对量价与基本面因子进行合成。结果显示，非线性MLP模型相较于线性Lasso模型在量价因子上优势较明显，MLP模型的5日RankIC较Lasso模型提升1.82pct，费后多头超额收益提升9.42pct；20日RankIC较Lasso提升1.94pct，费后多头超额收益提升6.54pct。但非线性模型的优势在基本面因子上不突出，MLP模型长期表现与Lasso模型几乎持平。我们认为可能有几个原因：1）基本面 ………………………………