基于一维卷积神经网络模型的AI量化智能选股策略

这是早前BigQuant专题研究：基于卷积神经网络CNN的深度学习因子选股模型。卷积神经网络（Convolutional Neural Network, CNN），是计算机视觉研究和应用领域中最具影响力的模型之一。同样，如果将时间看作一个空间维度，类似于二维图像的高度或宽度，CNN也可以对时间序列处理产生令人惊喜的效果。本文首先大致介绍了CNN的原理，然后详细解释了一维CNN模型如何进行应用于时间序列并进行特征选取，最后以一个实例展示一维CNN模型在因子选股方面的应用。

1.CNN原理介绍

1.1 反向传播算法

1.2 CNN图像识别原理

2.一维CNN在时间序列中的应用

2.1 一维卷积

2.2 一维池化

3.实例：CNN模型选股

1.CNN原理介绍

1.1 反向传播算法

反向传播（Backpropagation，缩写为BP）是“误差反向传播”的简称，是一种与最优化方法（如梯度下降法）结合使用的，用来训练人工神经网络的常见方法。该方法对网络中所有权重计算损失函数的梯度，这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。一句话解释：前向传递输入信号直至输出产生误差，反向传播误差信息更新权重矩阵。以没有隐层的神经网络为例，如逻辑回归，其中小黄帽代表输出层节点，左侧接受输入信号，右侧产生输出结果，小蓝猫则代表了误差，指导参数往更优的方向调整。由于小蓝猫可以直接将误差反馈给小黄帽，同时只有一个参数矩阵和小黄帽直接相连，所以可以直接通过误差进行参数优化（实线），迭代几轮，误差会降低到最小。

图1：无隐层反向传播算法示意图1：无隐层反向传播算法示意

1.2 CNN图像识别原理

卷积神经网络的结构模仿了眼睛的视觉神经的工作原理。对于眼睛来说，大量的视觉神经分工协作，各自负责一小部分区域的视觉图像，再将图像的各种局部特征抽象组合到高层的视觉概念，传送到大脑使人类产生视觉。卷积神经网络也是类似，它包含了至少一层卷积层，由多个卷积核对图像的局部区域进行特征提取，最后进行合成。以经典的LeNet-5模型为例：

图2：LeNet−5卷积神经网络模型原始输入数据（图1中的input）为二维图像，横轴和纵轴分别是图像的高度和宽度的像素点，为了识别该图像，模型依次完成以下步骤： 第一层卷积层（图1中的conv1）进行卷积运算。该层由若干卷积核组成，每个卷积核的参数都是通过反向传播算法优化得到的。卷积核的目的是通过扫描整张图片提取不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级。在卷积层之后都会使用非线性激活函数（如RELU，tanh 等）对特征进行非线性变换。第一层池化层（图1中的pool1）进行池化运算。通常在卷积层之后会得到维度很大的特征，池化层可以非常有效地缩小参数矩阵的尺寸，从而减少最后全连层中的参数数量。使用池化层既可以加快计算速度也有防止过拟合的作用。一般池化层将特征切成几个区域，取其最大值或平均值，得到新的、维度较小的特征。池化层其实是在对具有高维特征的图片进行特征降维（subsample）。第二层卷积层和第二层池化层（图1中的conv2 和pool2) 进行进一步的特征提取和特征降维，得到更加高层和抽象的特征。全连接层（图1中的hidden4 和full connection) 把卷积核池化得到的特征展平为一维特征，用来进行最后的训练和预测。总结而言，卷积层进行特征提取，池化层进行特征降维以防止过拟合。CNN通过上述过程实现了图像识别：

图3：CNN图像识别

通过第一层卷积识别边缘等低级特征，池化后通过第二层卷积识别眼睛、鼻子等小区域器官这样的中级特征，池化，最后通过第三层卷积识别整个面容这样的高级特征，最后通过全连接层整合，识别出最终的图像。

2.一维CNN在时间序列中的应用

CNN最主要应用于计算机视觉领域，通过卷积运算，从二维图像中提取特征，最终实现优秀的图像识别功能。对于这样一种优秀的算法，我们自然会思考如何将其运用到时间序列分析中。很容易想到，有两种思路： 将一维的时间序列二维化。考虑历史截面期，将每个样本的特征数据组织成二维形式，尝试构建“特征图片”。如总共有3000个样本，每个样本有10个特征，那就考虑5个截面期，每个样本整合5个截面得到一张“特征图片”，用时间数据作为图片标签。如此，可以得到3000个带时间特征的图片，然后运用二维CNN处理。这种方法的具体实现可参见华泰证券的研报《人工智能选股之卷积神经网络》探索一维CNN在时间序列上的运用。本篇研究就是基于这个思路。如果将时间理解为图像的长或者宽，其他特征理解为一个维度，那么就可以用一维CNN进行处理。

2.1 一维卷积

一维卷积，也就是从序列中按照一定大小的窗口提取局部一维序列段(即子序列)，然后与一个权重做点积，然后输出为新序列上的一个部分。以大小为5的时间窗口为例：

图4：一维CNN的一层卷积示意

2.2 一维池化

同二维池化一样，一维池化的目的也是为了对卷积的结果“模糊化”，归纳局部区域内的统计特征，并且通过降维避免过拟合。一维池化是从输入中提取一维序列段(即子序列)，然后输出其最大值(最大池化)或平均值(平均池化)，降低一维输入的长度(子采样)。

3.实例：CNN模型选股

图5：CNN智能选股策略如图5所示，一维CNN选股策略构建包含下列步骤：

获取数据 ：A股所有股票。

特征和标签提取 ：计算7个因子作为样本特征；计算第2日的个股收益，极值处理后分成20类作为标签。

特征预处理 ：进行缺失值处理；去掉特征异常的股票，比如某个特征值高于99.5%或低于0.5%的；标准化处理，去除特征量纲/数量级差异的影响。

序列窗口滚动 ：窗口大小设置为5，滚动切割。

搭建CNN模型 ：构建一个简单的两层一维卷积神经网络预测股票价格。

模型训练与预测 ：使用CNN模型进行训练和预测；可以尝试多种激活函数，策略默认为relu。

策略回测 ：利用2010到2014年数据进行训练，预测2015到2017年的股票表现。每日买入预测排名最靠前的20只股票，至少持有2日，同时淘汰排名靠后的股票。具体而言，预测排名越靠前，分配到的资金越多且最大资金占用比例不超过20%；初始5日平均分配资金，之后，尽量使用剩余资金（这里设置最多用等量的1.5倍）。

模型评价 ：查看模型回测结果。一维CNN模型的参数如下：

输入数据：输入是形状为 (samples, time, features)的三维张量，并返回类似形状的三维张量。卷积窗口是时间轴上的一维窗口(时间轴是输入张量的第二个轴)。7个因子，时间窗口为5，因此输入7*5的一个矩阵。

卷积层：2层一维卷积层（Conv1D层），每层包含20 个卷积核。激活函数采用relu。同时选择“valid”参数，只进行有效卷积，对边界数据不处理。卷积核权重使用glorot_uniform初始化方法，偏置向量使用Zeros初始化方法。

池化层：2层池化层。

全连接层：激活函数linear。权重使用glorot_uniform初始化方法，偏置向量使用Zeros初始化方法。

训练次数率：epochs值为5，共训练5轮，以mae作为评估指标。

优化器和：RMSProp。损失函数：均方误差MSE。预测结果如下：

图6：CNN模型预测结果

回测结果如下：

图7：CNN模型回测结果

可以看到，CNN的回测结果还是非常惊喜的，相比于基准收益有着非常突出的表现。所以，我们认为将CNN卷积神经网络应用于资本市场因子选股是很有前景的。在本次的策略中，我们运用了两层的一维CNN模型，具体的卷积层数、模型参数有非常大的调整空间，欢迎大家尝试。策略克隆：

【专题研究】基于一维CNN模型的智能选股策略 - 策略&研究 - AI量化投资社区 - BigQuant