深度学习框架下高频数据因子挖掘
创建于 更新于
摘要
本报告基于深度学习框架，利用高频数据及其低频化衍生因子，构建并训练深层全连接神经网络模型提取高阶选股特征。通过逐期回归方法组合深度学习提取的因子，实现日频调仓选股。实证显示，深度学习因子总体具有较高的信息系数(IC)，且组合策略在中证500与中证1000指数成分股中均取得显著正超额收益，最高年化超额收益42.4%，夏普比率达3.37。模型实时性强，适应市场特征变化，证实高频因子挖掘的有效性与优势[page::0][page::3][page::7][page::14][page::17][page::19][page::20][page::21]。
