信达证券：深度学习揭秘系列之一：基于量价与基本面结合的深度学习选股策略

非线性模型更能挖掘量价因子的潜力。本文以开源 Alpha158 作为量价因子 集，以及常见的估值、成长、质量、分析师一致预期等因子作为基本面因子 集进行基础研究，采用线性模型 Lasso 和非线性模型 MLP 分别对量价与基本 面因子进行合成。结果显示，非线性 MLP 模型相较于线性 Lasso 模型在量价 因子上优势较明显，MLP 模型的 5 日 RankIC 较 Lasso 模型提升 1.82pct，费 后多头超额收益提升 9.42pct；20 日 RankIC 较 Lasso 提升 1.94pct，费后 多头超额收益提升 6.54pct。但非线性模型的优势在基本面因子上不突出， MLP 模型长期表现与 Lasso 模型几乎持平。我们认为可能有几个原因：1）基 本面因子之间结合的逻辑偏线性，而量价因子的非线性组合可能包含增量信 息。2）部分基本面因子在财报真空期值不变，而标签 Y 却每天有变动。3） 基本面因子数量相较于量价因子偏少