中信证券-多因子量化选股系列专题研究：破局低信噪比，基于深度学习的因子优化研究

中信证券

▍ 以收益率为拟合目标的低信噪比问题极大地限制了深度学习在低频量化策略上的应用。本文 将 合成因子与收益的相关系数 作为优化目标 ，并采用深度网络实现映（ 射关系的学习，构建了深度相关模型（Deep Correlation Model ，DCM ）。回测结果显示 基于相关性的目标函数较直接拟合收益，年化超额收益提升了 7.41%，信息率提升了 0.9 。

▍ 投资聚焦： 重设目标函数，破局低信噪比 。在偏高频的量化投资中，深度学习已经有了较好的应用，但在偏低频的策略上深度学习一方面提升效果不够明显，另一方面还有稳定性弱，解释性差等缺点。导致深度学习不再“强大”的最大困难还是训练数据的低信噪比，尤其是将拟合目标设为收益率的情况下。收益率本身的低信噪比使得产生的错误信号（Error Signal）信噪比也较低。为了解决这一问题，我们将优化目标设为合成因子与收益率的相关系数，以提
升错误信号的信噪比。

PDF | 1M | 14页