因子選股系列專題報告：Neural ODE，時序動力系統重構下深度學習因子挖掘模型.pdf

因子選股系列專題報告：Neural ODE，時序動力系統重構下深度學習因子挖掘模型。

研究結論

金融數據常因停牌、財報發布和突發事件等因素存在缺失、噪聲及異常等問題，這 些問題通常會影響模型穩定性以及樣本外的泛化能力。本文提出一種 RNN+Neural ODE+MLP融合模型，將時序數據建模為微分動力系統，然后進行數據重構和特征提取， 從而提升模型樣本外的選股魯棒性。整個模型由以下部分構成：  通過 RNN 和 Neural ODE 模型構建變分自編碼層（VAE 層），利用 RNN 進行時序 數據的壓縮和降維，再將神經微分方程（Neural ODE）學習時序數據隱含的時序演 化規律，將數據進行去噪和重構。  最后我們將重構去噪后的數據輸入 MLP 層進行 alpha 信息的捕捉和挖掘，從而對未 來收益率標簽進行擬合。

模型因子對比

通過將 Baseline 模型和新模型因子多頭績效的對比，我們得到以下結論：  相較于 Baseline 模型，除 2020 年和今年，其余各年份 Model1 因子的多頭超額均能 大幅跑贏。而分組超額來看，Model1 的 Top 組和 Grp1 組超額相較于 Baseline 模型 分別提升了 1.91%和 3.07%，說明新模型相對于 Baseline 能大幅改善多頭的表現。 在 2024 年出現較為極端的市場環境下，Model1 因子多頭超額相較于 Baseline 模型 提升了 6.63%，最大回撤也有所下降，說明 Model1 抗風險能力相對更強。 在各個回測區間，Model1 因子的多頭組合換手率相較于 Baseline 均有一定程度的下 降。這意味著實盤可能有更高的交易成本優勢。  Baseline 模型和 Model1 模型多頭超額凈值走勢趨同度較高，各年度的最大回撤區間 基本上重合，說明各類模型從相同量價特征中提取的 alpha 信息一致性相對較高。

因子選股能力和行業輪動能力的表現

新模型 2018 年以來在中證全指上十日 RankIC 均值為 16.33%，top 組年化超額分別 為 54.54%。相較于基準，新模型選股效果均有明顯提升。行業輪動方面，2018 年 以來，新模型 RankIC 可達 12.55%，Top 組年化超額可達 25.27%，各項指標表現也 是顯著戰勝基準。 本文生成因子也可以直接應用于指數增強策略，在各寬基指數上均能獲得顯著的超 額收益，在成分股不低于 80%限制、周單邊換手率為 20%約束下，在滬深 300、中 證 500 和中證 1000 增強策略上 2018 年以來新模型年化超額收益率分別為 16.67%， 21.37%和 32.41%，超額的夏普比率分別為 3.14、3.21、4.37。