神经网络多因子模型分析报告.pdf

证券研究报告·金融工程深度报告2025年4月17日江海证券研究发展部

金融工程研究报告

股票多因子系列（四）：神经网络多因

子模型初探

核心内容：

◆本文是股票多因子研究系列第四篇，也是机器学习领域探究的第二篇。在本文

中，我们继续深入机器学习领域，探究神经网络这一复杂数学模型在多因子模型

上的运用以及选股效果。首先，我们详细介绍了神经网络与深度学习的关系，其

次，我们展开介绍了神经元，Sigmoid、ReLU等激活函数以及两种神经网络结构

——全连接神经网络（FCNN）与循环神经网络（RNN）。

◆我们从聚宽数据库提取基础类、情绪类、成长类、动量类、每股指标类、质量

相关研究报告

类、风险类、风格类与技术指标类共计89个因子，清洗后作为神经网络的原始

1.金融工程深度报告：股票多因子

输入特征，并以沪深两市A股中剔除ST、*ST以及每个截面停牌个股的月频收益

系列（一）：量价类因子实测—基

率分布区间（共10组）作为预测目标，每6年为周期使用神经网络进行滚动训

于BarraCNE6–2024.04.15

练。

2.金融工程深度报告：股票多因子

系列（二）：基本面类因子实测—◆在使用FCNN、LSTM以及GRU神经网络模型得出预测分组概率后，我们发现直接

基于BarraCNE6–2024.05.22使用预测概率最大的分组序号作为神经网络因子效果并不突出，因此我们在此基

3.金融工程深度报告：股票多因子础上重新构建了神经网络因子。其具体构建方式是：1）以神经网络预测的分组

系列（三）：机器学习在多因子组概率对分组标签值进行加权；2）对第一步加权概率进行求和，用公式表示为：

合中的应用–2024.09.12

=⨀={,2,3,…,10}

12310

=∑∈

=1

◆对FCNN，LSTM以及GRU所构建的神经网络分类因子进行回测检验后，我们发现

三个神经网络分类因子表现都十分优异且循环神经网络回测效果普遍好于全连接神

经网络，其中：1）FCNN分类因子分层单调性比较显著，整体有效性较高，月频调

仓下，多头年化收益率为15.41%，夏普率为0.55。多空组合年化收益达18.42%，