华泰证券-华泰人工智能系列之三十四：再探 AlphaNet，结构和特征优化-200824

《华泰证券-华泰人工智能系列之三十四：再探 AlphaNet，结构和特征优化-200824（25页）.pdf》由会员分享，可在线阅读，更多相关《华泰证券-华泰人工智能系列之三十四：再探 AlphaNet，结构和特征优化-200824（25页）.pdf（25页精品完整版）》请在悟空智库报告文库上搜索。

本文从网络结构和特征优化的角度改进AlphaNet，回测表现更好华泰金工前期报告《AlphaNet：因子挖掘神经网络》(2020.6.14)提出了AlphaNet-v1模型，能以端到端的华泰证券方式有效提取股票原始量价数据中的因子。

然而AlphaNet-v1在2019年下半年之后表现欠佳，针对该问题，我们分别从神经网络结构和特征的角度进行改进，构建了AlphaNet-v2和AlphaNet-v3两个升级模型，并在多个华泰人工智能系列之三十四股票池内测试。

结果显示，在全A股和中证800成分股中AlphaNet-v2表现优于AlphaNet-v1，在中证500成分股中AlphaNe再探 AlphaNett-v3表现小幅优于AlphaNet-v2。

结构和特征优化另外，本文总结对比了“遗传规划+随机森林”模型和AlphaNet的优缺点。

本文介绍了两个改进模型：AlphaNet-v2和AlphaNet-v3的改进思路相比AlphaNet-v1，AlphaNet-v2改进了以下几点：(1)考虑到比率类特征的有效性，扩充了6个比率类特征；(2)将池化层和全连接层替换为LSTM层，华泰证券从而更好地学习特征的时序信息；(3)训练集和验证集划分从1：1变成4：1，验证集更关注近期样本的表现。

相比AlphaNet-v华泰人工智能系列之三十四2，AlphaNet-v3改进了以下几点：(1)扩充特征提取层，特征提取层1和特征提取层2中的运算函数具有不同的回看区间(10和5)；(2)将LSTM层替换为GRU，减少模型参数。

在全A股和中证800成分股中，AlphaNet-v2表再探 AlphaNet现优于AlphaNet-v1设定回测期为20110131～20200731，调仓周期为10个交易日。

在全A股中，AlphaNet-v结构和特征优化2相比AlphaNet-v1的RankIC均值从9.72%提升至10.76%，ICIR从1.00提升至1.15。

构建相对于中证500的行业、市值中性的全A选股策略，年化超额华泰证券收益率从17.17%提升至19.09%，信息比率从2.73提升至3.13。

在中证8华泰人工智能系列之三十四00成分股中，AlphaNet-v2相比AlphaNet-v1的RankIC均值从8.37%提升至8.63%，ICIR从0.73提升至0.75。

构建相对于中证800的行业、市值中性的选股策略，年化超额收益率从6.19%提升至7.84%，信息比率从1.65再探 AlphaNet提升至2.00。

在中证500成分股中，AlphaN结构和特征优化et-v3表现小幅优于AlphaNet-v2设定回测期为20110131～20200731，调仓周期为10个交易日。

在中证500华泰证券成分股中，AlphaNet-v3相比AlphaNet-v2的RankIC均值从9.05%提升至9.70%，ICIR从0.89提升至1.00。

构建相对于中证500的行业、市值中性的选股策略，年化超额收益率从9.40%提升至9.75%，信息比率从2.19提升至华泰人工智能系列之三十四2.30。

本文总结对比了AlphaNet和“遗传规划+随机森林”模型的优缺点AlphaNet和“遗传规划+随机森林”模型都是基于量价数据的人工智能选股模型，本文对比了再探 AlphaNet二者的优缺点。

AlphaNet的优点是：端到端学习使得因子挖掘和因子合成使用同一目标函数进行优化，且无需维护因子池，从而无需结构和特征优化做大量的单因子测试、因子相关性分析、因子中性化等工作。

另外，只需按情况对网络结构做一定华泰证券调整，就可针对任意的股票池、预测周期、数据频率构建预测模型，省时省力。

AlphaNet的缺点是：模型可解释性较低，目前可华泰人工智能系列之三十四嵌入神经网络的特征提取层还比较有限，没有覆盖遗传规划中全部因子计算函数。

“遗传规划+随机再探 AlphaNet森林”模型的优缺点则正好相反。

风险提示：通过人工智能模型构建的选股策略是历史经验的总结，存结构和特征优化在失效的可能。

神经网络华泰证券受随机性影响较大，可解释性较低，使用需谨慎。