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

主要观点总结

报告主要介绍了基于深度学习理论，结合量价与基本面因子进行选股策略的研究。报告首先解释了神经网络理论，包括神经元结构、激活函数、反向传播算法等，随后探讨了Lasso与MLP在量价因子和基本面因子上的表现，并展示了非线性模型在挖掘量价因子潜力上的优势。报告还尝试了不同的结合方式，包括等权结合、ICIR加权、输入层拼接和分支网络等，结果显示分支网络结合方式具有最佳效果。此外，报告还介绍了混频组合策略，并基于低频、高频、基本面因子构建了中证1000指增策略。报告最后对报告内容进行了总结，并提示了模型失效的风险。

关键观点总结

关键观点1: 深度学习理论介绍

报告介绍了神经元结构、激活函数、反向传播算法等，为后续的选股策略提供了理论基础。

关键观点2: Lasso与MLP的表现

报告对比了Lasso与MLP在量价因子和基本面因子上的表现，发现非线性模型在挖掘量价因子潜力上优势明显。

关键观点3: 不同结合方式的效果

报告尝试了多种结合方式，包括等权结合、ICIR加权、输入层拼接和分支网络等，结果显示分支网络结合方式最优。

关键观点4: 混频组合策略

报告介绍了混频组合策略，即结合短期和长期预测结果构建投资组合，结果显示有稳定的超额收益。

关键观点5: 中证1000指增策略

基于低频、高频、基本面因子构建了中证1000指增策略，结果显示年化收益率为11.59%，年化信息比为3.56。

免责声明