深度学习框架下高频数据因子挖掘
创建于 更新于
摘要
本报告基于高频价量数据，通过将高频信息低频化为日频因子，利用深层全连接神经网络提取股票特征，进而构建基于回归的特征组合模型，实现高频数据因子的有效挖掘。实证结果显示，该深度学习模型提取的因子具有较高的IC水平，样本外IC均值约为7.7%。在换手率约束下，构建的选股组合在中证500和中证1000成分股中均取得了显著的超额收益，年化超额收益率分别达到26.0%和42.4%，超额收益的夏普比率也均超过2.9，显示了策略的稳健性和较强的选股能力。报告强调策略的实时更新优势及潜在的市场风险因素，为高频因子挖掘提供了新的深度学习框架路径[page::0][page::3][page::8][page::14][page::19][page::20][page::21].
