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
本报告围绕多颗粒度深度学习模型在量价数据中的应用，重点探索了多级频率特征融合与改进方案。通过单颗粒度与多颗粒度模型对比，发现多颗粒度输出集成显著提升因子有效性，年化费前超额收益最高达31.5%。引入注意力机制的双向AGRU模型进一步缓解信息遗忘，Rank IC和多头超额收益全面提升，Top10%组合费前超额达33%，Top100组合达40%。复现微软亚研院多颗粒度残差学习网络，发现效果未超过输出集成模型。基于双向AGRU多颗粒度模型，构建中证500和中证1000指数增强组合，分别实现年化超额收益15%-20%与25%-30%，且在2023年亦保持较好收益表现，成分股约束会产生一定的收益下降 [page::0][page::4][page::5][page::6][page::7][page::8][page::10][page::11][page::12][page::14]。
