选股因子系列研究（八十八）——多颗粒度特征的深度学习模型：探索和对比
创建于 更新于
摘要
本文探索了融合不同频率特征（如日度、60分钟、30分钟）构建多颗粒度深度学习选股因子模型。通过“多颗粒度输入一次性训练”和“单颗粒度训练输出集成”两种方法比较，发现输出集成在收益表现上优于单颗粒度模型，10日标签费前年化超额收益最高可达31.5%。引入双向注意力GRU（AGRU）进一步提升模型记忆能力，使得Rank IC超过0.12，Top10%和Top100组合费前多头超额收益分别达33%和40%。微软亚研院的多颗粒度残差学习网络被复现验证，但表现不及输出集成模型。基于双向AGRU多颗粒度模型构建的中证500及中证1000周度指数增强组合，在无成分股约束条件下分别实现15%-20%和25%-30%的年化超额收益，2023年YTD超额收益分别达10%-16%及15%-18%[page::0][page::4][page::5][page::7][page::8][page::10][page::11][page::12][page::13][page::14]
