深度学习与中国股票阛阓因子投资—基于生成式顽抗收罗身手

□马甜 姜富伟 唐国豪

【提要】跟着互联网云想象等本事的发展，深度学习神经收罗模子已普通应用在百行万企。而行为无监督深度学习的代表，生成式顽抗收罗模子（GAN）已见效应用在图片和视频生成等限度。国内金融限度尚无使用GAN模子进行盘考的文件，本文初次将GAN应用于我国股票阛阓算计与投资，并强调了深度学习算计背后的经济表面念念考和探索。比拟国际教育阛阓，中国股票阛阓散户参与度较高，阛阓波动性更大，GAN模子独到的判别器系统辖来更为动态的模子得当性，在靠近新一期的样本数据时，不仅通过生成器中的记念单位保留了时序数据的趋势项，还通过判别器进一步过滤噪声。实证法令发现，相较经典线性模子，GAN深度学习模子在股票收益算计精度和因子投资绩效上均有相配权贵提高。股票收益时刻序列算计方面，GAN深度学习样本外算计R2最高达到0.89%，权贵好于线性模子，模子算计精度升迁服从在5%水平内权贵。股票横截面因子投资策略方面，使用算计值排序法构建投资组合，发现基于GAN深度学习模子构建的多空对冲因子投资组合的月平均收益率和夏普比率诀别为1.13%和0.71，权贵好于线性模子，且其FF3和FF5模子逾额收益在5%水平内权贵。

本文还真切商量深度学习算计背后的经济表面机制。投资组合构要素析，发现科技类股票比拟传统行业孝顺更高收益。因子遑急度分析，配资公司杠杆发现最遑急的特征因子有三类：价钱及往来量趋势类主义、流动性类主义、基本面类主义，其中前10大特征因子的孝顺度占到了扫数148个因子的40%傍边。非常订价表面分析，发现深度学习模子在低金融摩擦、低波动性以及高流动性类股票更为灵验。宏不雅经济情景分析，围绕宏不雅经济活跃度、经济计策与金融阛阓省略情趣、投资者热枕等多个角度伸开论证，发现深度学习模子不错灵验捕捉我国宏不雅经济或金融阛阓中潜在的风险因素。微不雅企业情景分析，发现深度学习模子能灵验算计企业在中短期（改日一年内）的盈利、收入和现款流等基本面情景信息。

本文在深度学习模子构建和因子大数据分析方面的特质立异如下：

第一、更灵验的特征索要和对非线性信息的愚弄。传统线性转头模子暴虐了金融大数据内在的潜在信息因子、寥落性和非线性等数据性质。本文在构建股票特征大数据的基础上，使用了GAN模子对中国股票阛阓进行非线性信息特征的索要和分析。实证法令比拟线性模子有了权贵的升迁，标明了我国股票阛阓中上市公司数据的非线性特征包含有遑急的算计信息。

第二、关于时序数据的灵验处罚。本文在构建GAN模子时，使用了更相宜时序数据处罚的瑕瑜期记念收罗模子（LSTM），在对时序数据的处罚中有着自然的上风。金融数据长久存在自相干性情，钞票订价限度中动量效应更是行为经典的异象因子被普通使用，LSTM通过记念单位保留灵验信息，并通过淡忘单位过滤掉“噪声”信息，针对不同的钞票类型匹配不同的记念长度。

第三、更“智能”的算计模子。不同于传统神经收罗模子优化历程中单纯的使用梯度下落的神态，生成式顽抗收罗引入了“博弈”的历程，生成模块获取算计数据后，判别器将其与实在数据进行比对分类，评估并含糊其算计法令，而最终的优化法令即条件生成器生成的数据骗过判别器达到以伪乱确切进程。经济学中统共竞争阛阓具有最优服从，而通过引入判别器这一“竞争”者，生成式顽抗模子在结构上优于单一的算计模子。

该文刊载于2022年5月《经济学（季刊）》。

原文衔接：

https://kns.cnki.net/kcms/detail/detail.aspx?

• 中国
• 深度
• 股票
• 学习
• 经济学（季刊）