深度学习如何利用公募持仓网络优化选股效果？

创建于 2025-07-22T02:01:10.052781+08:00 更新于 2025-07-22T06:08:21.841488+08:00

摘要

报告基于深度学习LSTM+MLP模型分析中证1000股票周度收益，提出结合公募基金持仓网络矩阵分解生成股票内在属性，构建静态及动态内在属性因子以提升选股能力。静态内在属性搭配深度学习因子后回测年化收益8.8%，动态内在属性进一步提升至26.2%，主动增强策略超额收益达24.5%，信息比率显著，展示深度学习结合持仓网络方法选股效果优化路径与量化投资实践潜力 [page::0][page::10][page::14][page::16]

速读内容

传统LSTM模型表现及模型结构 [page::4][page::5]

以中证1000成分股2013年以来多量价、资金流指标作为输入，采用双向LSTM(128,128)+MLP(256,64,64,1)模型预测五日后超额收益。

- 模型训练出现过拟合，验证集R2约为0.51，周度因子IC均值0.038，ICIR 0.51，年化多空收益24.2%，表现一般。

矩阵分解提取股票内在属性及多因子建模 [page::6][page::7][page::9]

基于基金持仓网络矩阵分解，得到32维股票嵌入向量作为静态内在属性，用于反映股票的共通属性。

- 将内在属性与LSTM因子拼接输入MLP，训练R2提升至接近0.5，无明显过拟合，训练稳定。

DLEM因子回测2016-2023，周度IC均值0.068，ICIR1.12，费后年化收益8.8%，信息比率4.3，收益主要来源于空头端表现稳定。

股票内在属性动态化及因子构建 [page::12][page::13][page::14]

构建动态市场偏好因子，通过计算市场表现最优股票的静态内在属性均值，反映市场对不同属性的偏好变化。

- 动态内在属性因子本身无选股能力，但与静态内在属性及深度学习因子结合后，提升选股效能。

DLEMDynamic因子回测年化多空收益达203.4%，信息比率7.41，周度胜率83.7%。

主动增强策略表现与容量分析 [page::15]

基于DLEM_Dynamic因子的指数增强组合，控制跟踪误差5%，行业暴露±0.1，个股权重限制3%。

- 7年期平均扣费后年化超额收益24.5%，信息比率4.33，超额最大回撤5.5%，组合表现稳定。

策略平均持仓约392只股票，策略容量估算10.1亿元。

研究结论与风险提示 [page::16][page::17]

结合基金持仓网络矩阵分解的股票内在属性显著优化深度学习预测模型表现。

- 股票动态市场偏好因子的嵌入进一步提高模型alpha能力。

深度学习模型具有较强表现力但解释性较弱，存在策略失效的风险。

- 量化模型基于历史数据，未来市场变化可能导致策略失效，请注意风险控制。

深度阅读

深度学习如何利用公募持仓网络优化选股效果？——详细分析报告解读

---

1. 元数据与概览

报告标题：量化专题报告——深度学习如何利用公募持仓网络优化选股效果？

- 发布机构：民生证券研究院

分析师：叶尔乐，执业证书号S0100522110002

- 发布日期：2023年7月6日

主题：基于深度学习，结合基金公募持仓网络，通过嵌入向量（embedding）技术优化股票收益预测模型，提升选股效果。

核心论点：

传统日频的深度学习模型（如LSTM + MLP）在股票周度收益预测上存在表现局限，收益率预测因子（DL因子）表现一般。

- 通过对基金选股网络的矩阵分解提取股票“内在属性”静态嵌入（embedding）后，结合深度学习模型，可以较大提升因子表现。

利用动态市场偏好，将静态内在属性转化为动态特征，进一步显著提升选股因子表现及组合收益。

- 全面构建从传统深度学习，到嵌入静态属性，再到动态属性应用的多层次模型，有效改善预测质量与收益率。

风险提示：策略基于历史数据，可能失效。

[page::0]

---

2. 逐节深度解读

2.1 第一章：日频深度学习模型初探

2.1.1 神经网络模型介绍

介绍了从CNN、RNN到LSTM的神经网络架构演进。

- CNN结构虽能提取特征，但对序列问题表达不足；RNN通过节点间相互连接，实现信息的时序记忆，适合序列数据处理。

LSTM专门解决了长序列中的梯度消失与爆炸问题，具有遗忘门、输入门、输出门等复杂结构，能更好地抓住长期依赖信息。

三张结构图（图1、2、3）助力理解CNN、RNN及LSTM的工作机制。

[page::2,3]

2.1.2 基于LSTM + MLP模型的股票周频收益预测

数据来源：中证1000成分股，2013年至今。

- 输入特征：13个指标（6个量价指标+7个资金流指标）。

用80交易日的历史数据，预测5天后的超额收益。

- 数据预处理：时间序列去极值、标准化；截面标准化。

模型结构：双向LSTM（128,128）+多层感知器MLP(256,64,64,1)，训练轮数20-50，早停机制保障模型不过拟合。

- 训练样本约700,000个，验证集占15%。

模型评价指标：MSE损失函数，R2用于拟合优度判断。

图4清晰展示模型结构细节。

[page::4]

2.1.3 模型表现与问题

训练时验证集loss和R2表现出过拟合，验证集loss在第5轮后反弹，说明仅利用量价指标信息不足，模型泛化能力有限。

- DL因子近7年周度IC均值为0.038，ICIR 0.51，年化多空收益约24.2%，多空信息比率为2.25，表明因子具备一定选股能力，但表现一般。

图5、6说明训练过程中的loss和R2变化；图7、8显示了DL因子的IC表现和多空收益净值。

[page::5]

---

2.2 第二章：股票静态内在属性及应用

2.2.1 股票内在属性的探究

传统多因子模型中因子效应对所有股票一致，现实中因子对不同属性股票表现差异显著。

- 通过图9、10的对比，展示了同一因子对不同股票价格走势影响不同。

解决思路是用“嵌入”（Embedding）技术表征股票内在属性，这样允许模型根据股票不同属性调整因子表现。

- 嵌入来自公募基金的选股网络：不同基金侧重不同风格股票，基金持仓数据构建基金-股票投资行为矩阵。

采用矩阵分解（Matrix Factorization）技术，将基金-股票持仓矩阵分解成基金和股票的内在属性向量，捕获潜在分类及风格。

图11为矩阵分解示例，图12说明基金选股网络中通过分解得到的股票内在属性矩阵构建逻辑。

[page::6,7]

2.2.2 矩阵分解嵌入训练过程

收集基金年报和半年报数据，使用MSE作为损失函数。

- 嵌入维度为32，训练64次迭代后模型基本收敛（图13）。

用K-means对股票嵌入聚类，举例某簇，成分股涵盖多个行业和市值段（图14）。

- 该簇股票在传统价值、成长、盈利等风格因子暴露均很小（表15），说明嵌入刻画的是一种新的，难以用传统风格解释的内在属性。

[page::8,9,10]

2.2.3 静态内在属性的应用及效果

将股票嵌入$Q^j$与原LSTM因子$Zt^j$拼接输入MLP，实现因子权重计算时考虑股票内在属性。

- 训练采用半年度更新，保持内在属性的时序动态。
图16示意模型结构。

- 训练结果显示加入静态内在属性后，训练与验证R2持续提升（图17、18）且拟合稳定，优于基础LSTM+MLP模型。

因子DLEM周度IC均值0.068，ICIR 1.12，表现在多空收益比DL因子有明显提升，纯因子组合年化收益8.8%，信息比率4.3。

- 年度表现（图21）显示多空平均收益高达76.2%，但多空收益主要依赖空头端，表明因子对跌势的辨别更有效。

[page::9,10,11]

---

2.3 第三章：股票内在属性动态化应用

2.3.1 动态市场状态构建

静态内在属性半年更新，无法完全捕捉快速变化的市场偏好。

- 构建动态市场偏好$St$，通过平均当日表现最好的$Kr$支股票的静态嵌入获得（图22公式）。

股票动态内在属性$Dt^j$为$Q^j$与$St$的内积，反映股票与当前市场偏好的相似度。

- $Dt^j$本身缺乏直接选股能力，其IC表现显示无显著预测能力（图23、24）。

取$Kr=20$为最佳经验。

[page::12,13]

2.3.2 动态内在属性于深度模型中的应用及表现

将动态内在属性$Dt^j$与静态嵌入$Q^j$和LSTM因子$Zt^j$拼接，输入MLP，得出股票5日后收益预测。

- 结构见图25。

回测采用中证1000，训练与回测时序为2016-04-04至2023-06-09。

- 因子DLEMDynamic周度RankIC均值提高至12.3%，ICIR1.55，预示更强预测能力。

净值分组显示分组净值单调性强（图26、27）。

- 构建纯因子多空组合，7年年化收益26.2%，信息比率7.41，周度胜率高达83.7%。

多空收益超高（203.4%），多头组合年化超额收益达34%，信息比率3.58。

- 结合风险约束，构建指数增强组合，年化超额收益24.5%，最大回撤仅5.5%（图29）。

组合持仓数稳定约392只（图30），容量估计约10亿规模（图31）。

[page::13,14,15]

---

2.4 第四章：总结与思考

LSTM + MLP初步模型选股能力有限。

- 股票内在属性嵌入的加入显著提升了表达能力和因子有效性，体现了基金选股行为的市场信息价值。

静态内在属性改善训练拟合，动态内在属性进一步捕捉市场时变偏好，极大提升模型预测精准度和盈利效果。

- 深度学习策略虽表现优异，但解释能力弱，模型更新耗时长，策略未来可能面临失效风险。

[page::16]

---

2.5 第五章：风险提示

量化模型基础为历史数据。

- 市场未来可能出现结构性变化，导致模型失效。

投资人应密切关注模型表现并谨慎操作。

[page::17]

---

3. 图表深度解读

3.1 结构示意图

图1-3：详尽展示了CNN、RNN与LSTM的结构差异，形成对深度序列模型的直观认识，尤其LSTM的门控机制，有助于理解其解决长期依赖的能力。[page::2,3]
图4：清晰展现LSTM+MLP网络结构，对数据处理方式及网络结构配置提供可视理解，帮助把握模型核心技术架构。[page::4]

3.2 模型训练过程数据解读

图5、6：训练集loss稳步降低，验证集loss先降后升，验证集R2先升后伏，典型过拟合现象；表明模型容量较大，对有限量价类数据拟合充分，但泛化有限。[page::5]
图7、8：因子DL的累计IC表现单调上升，表明因子的稳定性和持续性较好。多空收益净值呈稳健上升趋势。该因子虽表现一般，但预示深度学习模型的潜力。[page::5]

3.3 矩阵分解与静态属性分析

图11、12：通过形象并直观的图示，理解用户-项目矩阵分解在基金-股票持仓网络中的创新应用，强化对嵌入含义的认识。
图13：损失函数呈指数下降趋势，64轮后趋于平稳，说明矩阵分解训练稳定收敛。
图14、15：静态内在属性聚类后股票涵盖行业广泛，风格因子暴露分布均匀，说明嵌入模型捕捉了与传统风格不同的深层市场属性，有助于提高模型多样性。

3.4 静态属性融入深度学习模型表现

图16：模型框架说明因子拼接与多层神经网络的整体流程，便于理解数据融合逻辑。
图17、18：训练loss和R2持续改善，验证曲线较稳定，展示添加内在属性嵌入后的模型提高了拟合能力且避免了明显过拟合。
图19、20：IC波动幅度更大，累计IC余额显著提升，十组净值分组上升趋势明显，证明DLEM因子有效性提升。
图21：年度分解显示该因子在部分年份表现出明显负多头收益，但总体仍能实现高多空夏普比率，反映模型能捕捉市场不同阶段特征。

3.5 动态市场状态及其因子表现

图22：动态市场状态计算逻辑示意，帮助理解动态属性构建原理——基于收益率排序的热门股票嵌入均值，反映市场当前偏好。
图23、24：动态因子本身IC和收益表现均较弱，未直接包含选股信息，说明本因子需与其他因子结合使用。

3.6 动态内在属性模型表现

图25：动态因子拼接入深度学习模型的结构示意。

图26、27：动态内在属性因子DLEMDynamic IC平均值更高，累计IC曲线几乎呈线性上升，组间净值区分度大，表现出色。
图28：因子分年表现卓越，尤其多空收益屡创新高，夏普比率稳定且普遍高于静态模型。
图29：汇报主动增强组合表现，稳健提升基准，较低最大回撤强化策略稳健性。
图30、31：持仓数稳定，策略容量估算达10亿，显示具备较强实操可行性和资金承载能力。

---

4. 估值分析

本报告未涉及具体估值模型、目标价或评级区间。其核心在于量化策略模型的构建和绩效表现，属于应用型量化研究。

---

5. 风险因素评估

依赖历史行情及持仓数据，若市场出现结构性变化，模型参数及假设失效可能性高。

- 策略深度学习模型可解释性较弱，策略失效后难以快速诊断和调整。
模型训练复杂，时间成本较高，策略更新需消耗较长周期。

- 流动性及市场容量限制，尽管估算容量达10亿，仍需关注资金规模对策略表现的潜在影响。

---

6. 批判性视角与细微差别

报告强调因子表现提升，静态及动态属性均带来正贡献，但静态属性更新频率低，含义变动难以控制，模型稳定性存在隐忧。

- 动态属性因子本身无选股能力，必须和其他因子结合使用，表明动态因子更多作为辅助信号，不能单独参考。
多空收益的贡献集中于空头端，表明收益来源或有结构性偏向，可能不适应所有市场环境。

- 尽管信息比率等指标显著提升，深度学习因子本质仍基于历史数据，对于突然市场风格转换（如黑天鹅事件）可能敏感。
报告对超额收益来源、多头端表现波动以及持仓调整对实际交易成本的影响未作深入剖析，对模型实施的实操细节相对缺失。

- 报告风险提示较为概括，可进一步细化对深度学习模型特定风险（如过拟合、非稳态数据风险）及其缓释策略的说明。

---

7. 结论性综合

本报告针对A股中证1000成分股的周度收益率预测，系统地构建了三阶段深度学习因子模型：基础LSTM+MLP因子（DL因子）、加入基金持仓网络静态内嵌入的DLEM因子、以及结合动态市场偏好的DLEMDynamic因子。实验及实证分析表明：

基础模型（DL因子）通过量价及资金流信息，提供了选股的初步能力，但模型训练出现过拟合，表现有限（周度IC均值0.038；年化多空收益24%）。

- 静态内在属性嵌入通过矩阵分解基金持仓数据得出，融合后显著提升模型拟合表现及选股能力，周度IC升至0.068，年化纯因子组合收益8.8%，多空年化收益76.2%，尤其表现出空头选股优势。

动态内在属性基于当前热门股偏好动态调整静态嵌入，进一步提升因子相关性（IC 0.12），提升预测稳定性和收益度，纯因子组合年化收益达26.2%，信息比率7.41，且指数增强组合年化超额收益24.5%，回撤仅5.5%。

- 对于基金投资风格传统因子无解读能力的内在属性，矩阵分解提供了一种有力的深度学习端输入特征挖掘方案。

图表清晰展示了各模型训练过程、IC表现及组合收益，体现组合优化的有效性和稳定性。

尽管表现亮眼，策略仍面临深度学习模型普遍存在的可解释性弱、训练耗时长、未来失效风险，以及模型对市场结构突变敏感性高的挑战。投资者应警惕量化模型因历史依赖而产生的局限，结合风险管理严格实施。

综上，本报告通过融合公募基金持仓网络的深度学习模型创新，显著优化了选股因子，在A股市场提供了具有投资实践价值的量化投资新思路。

---