DeepAlpha-DNN 之使用报告
由cash01创建，最终由cash01 被浏览 298 用户
作者：cash01
最近不怎么撸策略了，一是因为最近俗务缠身，事情比较多，很多事情明日复明日，就一天天拖下去了，二是最近自己也比较迷茫吧，所谓无知者无畏，量化的东西研究的越多，反而越觉得随机性太大，越发的小心翼翼，即使撸到好的策略也是习惯性的否定自己，不太敢轻易投入实盘，错失了很多机会，目前还在心理建设吧，所谓辟山中贼易，辟心中贼难，大致如此吧。。。
开始正题吧，关于DNN，全神经连接连接网络，属于深度学习的中的相对简单和早期的一种算法类型。BQ平台使用了98个简单的量价类因子，经过平台特征抽取，集合三层全连接层的简单堆叠，使用滚动训练后，达到了8年40倍的收益，详情可参见链接【年度重磅】Deep Alpha-DNN，如何采用基础量价数据，构建深度学习模型实现8年40倍回测收益？，大家可以进入上述链接，查看详情，里面对一些概念和测试的方法与步骤做了很专业的介绍和解释！我这边就不浪费笔墨再进一步阐述了。
策略构建
下面，简单介绍下我在DNN 算法基础上，结合我个人的一些实践经验的测试结果，有些属于我个人的一家之言，希望能抛砖引玉吧。
标注
1.标注：平台提供了自动标注，自定义标注以及相应的标注模板，选择与算法契合的标注往往可以事半功倍，在这里我个人尝试用了如下标注，建议大家多尝试吧。使用同质化的标注往往也会提升因子的拥挤度。
-在这里我使用了calmar比率作为标注
训练时间
2.训练时间：训练时间是平台上经常问到的问题，什么时间段比较适合？很多大神都给了答案，例如可以寻找和最近一段市场风格相近的时间来训练模型等等。个人认为这个也跟选择不同的算法以及模型复杂度相关，并且训练数据的多少也要考虑训练的批数量以及学习率的设置。个人习惯使用8-10年数据，一方面为了减少模型的过拟合，另外也可以涵盖一个完整的市场周期。1年的数据也能跑出很好的模型！当然BQ模板是用的滚动训练，但是基于滚动训练的原理加上模型的随机性，固化模型就很挑战吧。。
-在这里我使用了大概十年数据。
数据过滤
3.数据过滤：考虑到金融市场的数据信噪比很低，很多人习惯于对数据进行简单的过滤，例如根据资金流因子，或者换手率，波动率或者基本面因子进行筛选，筛选一些强势类或者反弹类的股票作为股票池。或者结合主观，利用形态上的一些特征进行筛选，例如红三兵，仙人指路，跳空高开等等。当然也可以利用板块轮动，选择最近一段时间的强势板块作为股票池
-在这里我使用了最近创新高的板块作为股票池。
超参模型
4.模型超参：DNN模型相对简单，当然也可以通过堆叠模型的层数增加复杂度，这里我没有对BQ提供的模板做大的改动，沿用了三层结构，对模型的隐藏单元和dropout的比率做了些修改。
因子
5.因子：仍然使用了模板自带的98个因子，一方面这些因子相对简单，而且相关性都比较高，改动意义不大，另外一个就是因子组合属于量化里的一个比较大的话题了，不同的因子组合在相同模型下会带来不同的效果，因此为了减少因子变化带来的影响，个人选择沿用模板
-98个因子
回测
6.回测： 回测也是比较大的一个话题，很多人习惯加上止赢止损，个股过滤等等，我觉得还是要结合模型和因子吧，在经过大量回测测试后，同模型的策略加上止盈止损策略的回测和sharp比率是要远高于裸奔的回测的在这里因为主要是考量DNN模型的本身能力，就还是沿用了模板。
-个人使用了5天4股轮仓。
择时
7.择时：通常来说，大盘大幅回撤时，很少会有策略能够独善其身，所以能够通过大盘风控，对策略进行择时交易也很重要，BQ平台上模板使用的大盘的5天的回撤作为风控，也可以使用一些技术指标作为风控指标，例如RSI，MACD,华泰有篇研报是关于使用牛熊指标作为风控择时，感兴趣的可以翻出来看下，平台上最近也在介绍用涨停股个数比作为风控指标。大家多多尝试吧。因为目的只是测试DNN的选股能力，此处没有使用大盘风控。
-在这里没有使用风控
训练和固化
8.训练和固化：DNN训练需要注意模型本身的随机性，例如dropout,所以需要固化模型参数，否则会很难复现模型。为了避免幸存者偏差，建议模型测试集预留一段当前时间吧
-另测试集为20210104-20220318
回测结果
随机贴了几个训练结果:
\
总结和展望
因为时间关系，我没有对DNN 进行进一步测试，但是个人感觉还是有很大提升空间的：如
-改进标注，从回归到多分类
-加入更多网络层，调整网络层参数，如单元数，激活函数，学习率，批处理数等等。
-改进回测和风控
-使用高频数据等等。
最后，无论回测结果如何好，过拟合和欠拟合永远存在，如何在优化和泛化中寻找一个最佳的平衡点，才是AI量化的核心，我们在不断尝试各种模型，从随机森林，到梯度提升机，从bagging，bossting再到stacking，从机器学习到 stockranker，DNN，CNN，RNN，都是希望能够找到一个提升模型泛化能力的方法，回测的sharp高低不是目的，对未来数据的泛化能力才是根本。如果市场没有圣杯，那么大家岂不是刻舟求剑，如果市场有圣杯，那么我相信应该一定不是某个因子，某个策略，某种算法，而是主观上的信仰，客观上的方法，能够坚信策略一定战胜市场，并且可以批量生产高质量策略，方法为术，信仰为道，大道三千，择其一而从之，诸君加油！
\