卷积神经网络引领深度学习的发展，能够利用于多因子选股

卷积神经网络（CNN）是目前最为成熟的深度学习模型，是近年来人工智能发达发展的主要推手之一，其紧张特点是通过卷积和池化操作进行自动的特色提取和特色降维。
本文首先通过事理剖析给出了CNN利用于多因子选股的履历方法；然后在全A股票池内对CNN的预测结果进行单因子测试，其单因子测试结果比较比拟模型具有良好表现；本文还构建了行业、市值中性全A选股策略并进行回测，CNN在以中证500为基准的全A选股测试中比较比拟模型表现精良。

本文通过事理剖析总结了卷积神经网络利用于多因子选股的履历方法

将卷积神经网络利用于多因子选股时，通过剖析其事情事理，我们总结出以下履历：（1）股票因子数据可以组织成二维的“图片”形式，这使得CNN具有了韶光序列学习的能力。
（2）当卷积核浸染于股票因子数据时，实质上是在进行因子合成，因此本文只利用了一层卷积层。
（3）池化层是对因子数据的“模糊化”，这对表示因子的明确意义是不利的，因此本文未利用池化层。
（4）因子数据在“图片”中的排列顺序会影响到CNN的学习结果。

卷积神经网络合成因子的单因子测试具有良好表现

我们构建了卷积神经网络、全连接神经网络、线性回归三个模型，在2011-01-31至2019-1-31的回测区间等分年度进行演习和测试，样本空间为全A股。
从单因子测试的角度来看，CNN合成因子的RankIC均值为13.62%，因子收益率均值为1.021%，略高于全连接神经网络，也要高于线性回归。
在分五层测试中，CNN合成因子的TOP组合年化收益率为20.05%，夏普比率为0.72，信息比率为4.04，多空组合的夏普比率为4.84，表现都要优于全连接神经网络和线性回归。

卷积神经网络在以中证500为基准的全A选股测试中表现精良

基于卷积神经网络、全连接神经网络和线性回归，我们构建了行业、市值中性全A选股策略并进行回测。
在2011-01-31至2019-1-31的回测区间中，当以沪深300为基定时，两种神经网络在年化逾额收益率、信息比率和Calmar比率上的表现都不如线性回归。
当以中证500为基定时，CNN的年化逾额收益在13.69%~16.38%之间，逾额收益最大回撤在4.80%~7.55%之间，信息比率在2.29~2.56之间，Calmer比率在2.16~2.85之间，CNN在以上各项指标上的表现都优于其余两个模型，全连接神经网络略优于线性回归。

卷积神经网络仍有进一步研究的空间

随着ImageNet旗下的大规模视觉识别寻衅赛（ILSVRC）连续数年的推动，卷积神经网络正在日月牙异地进步中，还有诸多技能值得我们学习和考试测验，例如增大演习样本数量的“数据增强”方法；ResNet中的残差学习方法；Inception网络中的多种尺寸卷积核稠浊的方法等等。
此外，在高频、海量的金融数据中利用CNN也是一个值得考试测验的方向。

风险提示：通过卷积神经网络构建的选股策略是历史履历的总结，存在失落效的可能。
卷积神经网络模型可阐明程度较低，利用须谨慎。

本文研究导读

在本系列前期的报告中，我们分别先容了全连接神经网络和循环神经网络在人工智能选股方面的运用，除此之外，本文还将先容卷积神经网络的运用。
卷积神经网络在最近几年得到了长足的发展，是人工智能研究的领头羊，目前紧张运用于打算机视觉、自然措辞处理等领域，是干系技能最为成熟的神经网络模型。
那么卷积神经网络如何运用于多因子选股中呢？本文将紧张关注以下问题：

卷积神经网络事理是什么？比较于全连接神经网络，有何特色？

卷积神经网络构造分外，如何构建股票的因子数据来演习模型？这种构建方法的内在含义是什么？

卷积神经网络的参数如何设置？模型的如何演习，全部A股票池内选股效果如何？

卷积神经网络简介

卷积神经网络（Convolutional Neural Network, CNN），是打算机视觉研究和运用领域中最具影响力的模型。
回顾CNN的发展历史，可以看到一座座令人惊叹的里程碑。
Yann Lecun等人在1989年提出基于梯度低落的CNN算法，并成功地将其运用在手写数字字符识别，在当时的技能和硬件条件就能取得低于1%的缺点率。
2012年，在打算机视觉“天下杯”之称的ImageNet图像分类竞赛四周年，Geoffery E.Hinton等人凭借卷积神经网络AlexNet以超过第二名近12%的准确率一举夺得该竞赛冠军，引起广泛关注，自此揭开了CNN在打算机视觉领域逐渐称霸的序幕，此后每年的ImageNet竞赛的冠军非CNN莫属。
2015年，CNN在ImageNet数据集上的缺点率（3.57%）第一次超过了人类预测缺点率（5.1%）。
近年来，随着CNN干系领域研究职员的增多，技能的日月牙异，CNN也变得越来越繁芜。
从最初的5层，16层，到诸如MSRA提出的152层ResNet乃至上千层网络已被广大研究者和工程实践职员司空见惯，成为深度学习发展的主要推手。
CNN目前在很多很多研究领域取得了成功，例如: 图像识别，图像分割，语音识别，自然措辞处理等。
虽然这些领域中办理的问题并不相同，但是这些运用方法都可以被归纳为：CNN可以自动从(常日是大规模)数据中学习特色，并把结果向同类型未知数据泛化。
（以上资料和数据整理自ImageNet）

卷积神经网络的事理

卷积神经网络的构造模拟了眼睛的视觉神经的事情事理。
对付眼睛来说，视觉神经是它和大脑沟通的桥梁，大量的视觉神经分工协作，各自大责一小部分区域的视觉图像，再将图像的各种局部特色抽象组合到高层的视觉观点，使得了人类具有了视觉认知能力。
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色提取。
我们将以经典的LeNet-5模型为例，先容卷积神经网络的事情事理。

LeNet-5的原始输入数据（图表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，为了识别该图像中的字母，LeNet-5依次完成以下步骤：

第一层卷积层（图表1中的conv1）进行卷积运算。
该层由多少卷积核组成，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色，第一层卷积层可能只能提取一些低级的特色如边缘、线条和角等层级，更多层的网络能从低级特色中迭代提取更繁芜的特色。
在卷积层之后都会利用非线性激活函数（如RELU，tanh等）对特色进行非线性变换。

第一层池化层（图表1中的pool1）进行池化运算。
常日在卷积层之后会得到维度很大的特色，池化层可以非常有效地缩小参数矩阵的尺寸，从而减少末了全连层中的参数数量。
利用池化层既可以加快打算速率也有防止过拟合的浸染。
一样平常池化层将特色切成几个区域，取其最大值或均匀值，得到新的、维度较小的特色。
卷积层和池化层实在都是在对具有高维特色的图片进行特色提取和特色降维（subsample）。

第二层卷积层和第二层池化层（图表1中的conv2和pool2）进行进一步的特色提取和特色降维，得到更加高层和抽象的特色。

全连接层（图表1中的hidden4和full connection）把卷积核池化得到的特色展平为一维特色，用来进行末了的演习和预测。

从LeNet-5的步骤中我们可以看出，CNN之以是能够在打算机视觉领域中发挥越来越主要的浸染，是由于其具有强大的特色提取能力，对付一块图片，人为的切割提取特色不仅对图像本身的完全性有害，而且提取的特色有限，不能捕捉到最好的切割效果，而CNN能够很好的完成这份事情，通过不同的卷积核进行特色提取，并结合池化层的降维能力，一方面不会遗漏主要的信息，另一方面数据的繁芜度并没有太大的提升，可以得到比较人为提取特色更完美的结果，这也是其他神经网络所不具备的特点。

卷积神经网络和ImageNet

ImageNet项目是一个用于视觉工具识别软件研究的大型可视化数据库，包含超过1400万张有标注的图像。
该项目的图像由李飞飞团队从2007年开始，耗费大量人力，通过各种办法（网络抓取，人工标注，亚马逊众包平台等）网络制作而成，是打算机视觉研究领域最威信的平台之一。
近年来，CNN的各种改进版本在ImageNet旗下的大规模视觉识别寻衅赛（ILSVRC）中持续斩获冠军。
在图表2中，我们将简要先容几种主要的卷积神经网络以及其在ILSVRC的表现。

回顾历史，正是不断加深、构造不断繁芜的CNN引领了人工智能领域最近数年的发展。
在末了两届ILSVRC比赛中（2016和2017），CNN的进一步改进版本Trimps-Soushen以及SENet分别得到了冠军。

卷积神经网络运用于股票多因子收益预测

总结一下CNN的事理，我们可以得出CNN最关键的特性：特色提取和特色降维，借助神经网络的端到端以及反向传播的特性，CNN可以根据数据和标签的情形进行自动的特色提取和特色降维。

随着金融市场的发展，大量与股票收益可能干系的数据在连续不断地天生，CNN的精良特性或许能为我们供应股票收益建模的新方法。
然而回顾CNN的发展进程，其大部分运用都是在打算机视觉领域，如果将CNN运用到股票多因子收益预测，须要对因子数据进行一定的整理组织。

如图表3所示，为了利用CNN方便处理二维数据的特性，我们将个股的因子数据组织成二维形式，假设某个股有10个因子（EP，BP，ROE,…），考虑5个历史截面期，则对付该个股来说，可以得到一张个股的“因子图片”，该个股对应一个t韶光的相对收益率Rt作为标签，如果在一个截面上有3000只个股，我们就可以得到3000张个股的“因子图片”及其对应的标签。
其余，这样的数据处理办法也很自然地利用了个股因子数据的韶光序列属性。

对付某个股的“因子图片”，接下来将其输入到CNN中进行卷积运算，卷积运算的详细步骤如图表4~图表6所示。
如图表4，假设有一个大小为22的卷积核，该卷积核对应4个权重（W1，W2，W3，W4）以及一个偏置项（bias）。
卷积运算先从“因子图片”的左上角开始，选取一块与卷积核大小相同的区域进走运算，得到图表4右侧灰色区域的卷积结果。
详细的运算公式在图表4正下方，可以看出，该运算实质上便是对历史因子数据进行因子合成，在同一韶光截面上，不同的因子与权重相乘后累加，得到新的因子值F。
接下来，如图表5和图表6所示，卷积核会在水平和垂直两个方向上对“因子图片”进行遍历的卷积运算，最终生成一个94大小的“卷积结果图片”。

由上可知，卷积运算实质上还是线性运算，如果想使得模型具有非线性拟合的能力，就要利用非线性激活函数，如图表7所示，我们利用目前最常用的激活函数RELU，得到图表7右侧的结果，接下来我们再将其进行一维展开，得到卷积层处理后的因子向量（X1t-4，X1t-3，…，Xnt-2，Xnt-1）。
末了我们将一维的因子向量输入全连接神经网络中，就可以按照全连接神经网络的优化方法（反向传播，梯度低落）来优化网络参数。

到这里，读者可能会有三个疑问，我们将给出阐明：

以上步骤只利用了一层卷积层，可否利用多层卷积层？

以上步骤为何没有池化层？

“因子图片”中因子的排列顺序对结果是否有影响？

对付第一个问题，理论上可以再添加更多卷积层。
但我们认为卷积层的多少和演习数据的性子有关，在多因子选股的运用中，利用的因子都是具有明确意义，经由单因子测试后有效的因子，卷积层所起的浸染是对因子之间进行非线性组合，因此一层卷积层大致已经足够。
而对付图像识别的运用来说，如图表8所示，利用的演习数据是抽象层级很低的像素点，一层卷积层只能提取出人脸的边缘、轮廓等低层次特色，须要用更多的卷积层才能逐渐提取出高层次特色（如人的眼睛、耳朵、鼻子等）。
因此，如果我们利用的股票数据是更加原始的数据，那么多层卷积层或许能达到更好的效果。

对付第二个问题，阐明与第一个问题类似。
如图表9，池化层所起的浸染实质上是对卷积的结果进行“模糊化”（图表9右侧的MAX Pooling），归纳局部区域内的统计特色，图像识别所输入的图片具有很高维度的像素，池化层的“模糊化”能在只丢失极少量信息的情形下，归纳出图片区域的局部特色，这对付图像识别的降维和可泛化性来说非常有用。
但是多因子选股中的因子都是具有明确意义的特色，如果利用池化层进行“模糊化”，相称于丢失了一些风雅的信息，这对付股票收益建模来说并不可靠。

对付第三个问题，我们认为“因子图片”中因子的排列顺序会对演习和预测结果造成影响。
事实上这是卷积神经网络比较全连接神经网络或循环神经网络具有根本差异的地方。
由于卷积核实质上是在对部分因子进行合成，因此不同的因子排列顺序会影响卷积核中权重的演习，图表10中的旁边两张图展示了两种排布因子的办法，左图中BP因子和ROE因子相邻，右图中BP因子和ROE因子不相邻，那么对付右图中的情形来说，从卷积核的浸染区域（黄色）可以看出，无法对BP因子和ROE因子进行卷积运算，这将使得卷积核中权重的演习形成差异。
而对付全连接神经网络或循环神经网络，无论如何打乱因子的排列顺序，都不会对结果形成影响。
因此，在天生“因子图片”时，如何排布因子也是一个故意义的话题，本文将不会连续展开谈论。
我们认为一种合理的排布办法是将属于同一大类因子的细分因子放在相邻位置；而对付不同的大类因子来说，将可能有相互浸染的大类因子放在相邻位置。

卷积神经网络选股模型测试流程

测试流程

测试流程包含如下步骤：

数据获取：

a）股票池：全A股。
剔除ST股票，剔除每个截面期下一交易日停牌的股票，剔除上市3个月内的股票，每只股票视作一个样本。

b）回测区间：2011年1月31日至2019年1月31日。

特色和标签提取：每个自然月的末了一个交易日，打算82个因子暴露度，作为样本的原始特色，因子池如图表13和图表14所示。
打算下一全体自然月的个股逾额收益（以沪深300指数为基准），对付分类模型，选取下月收益排名前30%的股票作为正例（y = 1），后30%的股票作为负例（y = 0），作为样本的标签。
对付回归模型，利用下个月的逾额收益作为标签。

特色预处理和二维数据天生

a）中位数去极值：设第T期某因子在所有个股上的暴露度序列为 Di，DM为该序列中位数，DM1为序列|Di-DM|的中位数，则将序列Di中所有大于DM+5DM1的数重设为DM+5DM1，将序列Di中所有小于DM-5DM1的数重设为DM+5DM1；

b）缺失落值处理：得到新的因子暴露度序列后，将因子暴露度缺失落的地方设为中信一级行业相同个股的均匀值；

c）行业市值中性化：将添补缺失落值后的因子暴露度对行业哑变量和取对数后的市值做线性回归，取残差作为新的因子暴露度；

d）标准化：将中性化处理后的因子暴露度序列减去其现在的均值、除以其标准差，得到一个新的近似服从N(0, 1)分布的序列。

e）要利用卷积神经网络，须要供应二维的特色数据，我们按照图表3的形式，将某只股票多个截面期的因子数据组织成类似于图片的二维数据，统共82行（对应82个因子），5列（对应5个截面期），这样在每个月截面上，就可以得到上千张“股票图片”。

滚动演习集和验证集的合成：由于月度滚动演习模型的韶光开销较大，本文采取年度滚动演习办法，全体样本内外数据共分为九个阶段，如下图所示。
例如预测2011年时，将2005-2010年共72个月数据合并作为样本内数据集；预测T年时，将T-6至T-1年的72个月合并作为样本内数据。

样本内演习：利用卷积神经网络对演习集进行演习。

交叉验证调参：随机取10%样本内的数据作为验证集，在演习的同时不雅观察卷积神经网络在验证集上的表现，当验证集上的loss达到最小时，停滞演习。

样本外测试：确定最优参数后，以T月末截面期所有样本预处理后的特色作为模型的输入，得到每个样本的预测值f(x)。
将预测值视作合成后的因子，进行单因子分层回测。

模型评价：我们以分层回测和构建选股策略的结果作为模型评价标准。

测试模型设置

为了进行系统的比拟，本文将会比拟三个模型的测试结果：卷积神经网络、全连接神经网络和线性回归。
个中卷积神经网络和全连接神经网络的紧张参数如下：

卷积神经网络：

（1）输入数据：每个股票样本包含82个因子，5个历史截面期，构成825的“股票图片”，其标签为1或0（涨或跌）。

（2）卷积层：一层卷积层，包含10个55大小的卷积核。
卷积核权重利用xavier初始化方法（一种担保激活值和梯度值方差不变的初始化方法，经实证适宜于初始化卷积层）。

（3）池化层：没有池化层。

（4）全连接层：3层全连接层，分别包含100、70、40个神经元，连接权重利用truncated_normal初始化方法（截断的正态分布初始化方法，最为常用）。

（5）Dropout率（神经元连接随机断开的比例）：80%。

（6）优化器和学习速率：RMSProp，0.001。

（7）丢失函数：交叉熵丢失函数（二分类）。

卷积神经网络构造如下图所示：

全连接神经网络，为了能和卷积神经网络进行差异最小的比拟，我们将全连接神经网络的参数设置如下：

（1）输入数据：每个股票样本包含82个因子，5个历史截面期，构成825的“股票图片”，再将“股票图片”进行一维展开，作为输入数据，其标签为1或0（涨或跌）。

（2）全连接层：4层全连接层，分别包含780、100、70、40个神经元，连接权重利用truncated_normal初始化方法。
这里第一层全连接层的780个神经元即是卷积神经网络中卷积结果一维展开后得到的特色数目，780=（82-5+1）10

（3）Dropout率：80%。

（4）优化器和学习速率：RMSProp，0.001。

（5）丢失函数：交叉熵丢失函数（二分类）。

全连接神经网络构造如下图所示：

卷积神经网络选股模型测试结果

单因子测试

如果将机器学习模型的输出视为单因子，则可进行单因子测试。

单因子回归测试和IC测试

测试模型构建方法如下：

股票池：全A股，剔除ST股票，剔除每个截面期下一交易日停牌的股票，剔除上市3个月以内的股票。

回测区间：2011-01-31至2019-01-31。

截面期：每个月月末，用当前截面期因子值与当前截面期至下个截面期内的个股收益进行回归和打算RankIC值。

数据处理方法：对付分类模型，将模型对股票下期上涨概率的预测值视作单因子。
对付回归模型，将回归预测值视作单因子。
因子值为空的股票不参与测试。

回归测试中采取加权最小二乘回归（WLS），利用个股流利市值的平方根作为权重。
IC测试时对单因子进行行业市值中性。

如图表17所示，卷积神经网络的RankIC均值和因子收益率均值略高于全连接神经网络，也要高于线性回归。

图表18和图表19分别展示了三种模型的累积RankIC和累积因子收益率曲线。

单因子分层测试

依照因子值对股票进行打分，构建投资组合回测，是最直不雅观的衡量因子利害的手段。
测试模型构建方法如下：

股票池、回测区间、截面期均与回归法相同。

换仓：在每个自然月末了一个交易日核算因子值，不才个自然月首个交易日按当日收盘价换仓，交易用度以双边千分之四计。

分层方法：因子先用中位数法去极值，然后进行市值、行业中性化处理（方法论详见上一小节），将股票池内所有个股按因子从大到小进行排序，平分N层，每层内部的个股等权配置。
当个股总数目无法被N整除时采取任一种近似方法处理均可，实际上对分层组合的回测结果影响很小。

多空组合收益打算方法：用Top组每天的收益减去Bottom组每天的收益，得到逐日多空收益序列r1，r2，...，rn，则多空组合在第n天的净值即是(1+r1)(1+r2)...(1+rn)。

评价方法：全部N层组合年化收益率（不雅观察是否单调变革），多空组合的年化收益率、夏普比率、最大回撤、月胜率等。

我们展示了模型分层测试的结果（图表20和图表22）。
其余，我们比拟了三种模型分层测试的TOP组合的表现（图表21和图表23），在年化收益率、夏普比率、信息比率上，卷积神经网络比较全连接神经网络表现略好，并且优于线性回归。

构建策略组合及回测剖析

基于卷积神经网络、全连接神经网络和线性回归，我们构建了行业、市值中性全A选股策略并进行回测。
图表24等分别展示了以沪深300和中证500为基准的策略表现明细，包含年化逾额收益率、逾额收益最大回撤、信息比率、Calmar比率。
图表24从左至右对应不同的个股权重偏离上限。
从图表24中可以看出，当以沪深300为基定时，两种神经网络在年化逾额收益率、信息比率和Calmar比率上的表现都不如线性回归。
当以中证500为基定时，卷积神经网络则在各项指标上的表现都优于其余两个模型，全连接神经网络则略优于线性回归。

我们有选择性地展示两个策略的逾额收益表现，如图表25和图表26所示。

结论和展望

卷积神经网络（CNN）是目前发展最为成熟、投入研究力度最大的深度学习模型，是近年来人工智能发达发展的主要推手之一。
本文对CNN的事理和特色进行了先容，并磋商了如何利用CNN构建人工智能选股模型。
初步得出以下结论：

卷积神经网络（CNN）是目前最为成熟的深度学习模型，是近年来人工智能发达发展的主要推手之一，其紧张特点是通过卷积和池化操作进行自动的特色提取和特色降维。
把CNN利用于多因子选股时，我们总结出以下履历：（1）股票因子数据可以组织成二维的“图片”形式，这使得CNN具有了韶光序列学习的能力。
（2）当卷积核浸染于股票因子数据时，实质上是在进行因子合成，因此本文只利用了一层卷积层。
（3）池化层是对因子数据的“模糊化”，这对表示因子的明确意义是不利的，因此本文未利用池化层。
（4）因子数据在“图片”中的排列顺序会影响到CNN的学习结果。

我们构建了卷积神经网络、全连接神经网络、线性回归三个模型，在2011-01-31至2019-1-31的回测区间等分年度进行演习和测试，样本空间为全A股。
从单因子测试的角度来看，CNN合成因子的RankIC均值为13.62%，因子收益率均值为1.021%，略高于全连接神经网络，也要高于线性回归。
在分五层测试中，CNN合成因子的TOP组合年化收益率为20.05%，夏普比率为0.72，信息比率为4.04，多空组合的夏普比率为4.84，表现都要优于全连接神经网络和线性回归。

基于卷积神经网络、全连接神经网络和线性回归，我们构建了行业、市值中性全A选股策略并进行回测。
在2011-01-31至2019-1-31的回测区间中，当以沪深300为基定时，两种神经网络在年化逾额收益率、信息比率和Calmar比率上的表现都不如线性回归。
当以中证500为基定时，CNN的年化逾额收益在13.69%~16.38%之间，逾额收益最大回撤在4.80%~7.55%之间，信息比率在2.29~2.56之间，Calmar比率在2.16~2.85之间，CNN在以上各项指标上的表现都优于其余两个模型，全连接神经网络略优于线性回归。

随着ImageNet旗下的大规模视觉识别寻衅赛（ILSVRC）连续数年的推动，卷积神经网络正在日月牙异地进步中，还有诸多技能值得我们学习和考试测验，例如增大演习样本数量的“数据增强”方法；ResNet中的残差学习方法；Inception网络中的多种尺寸卷积核稠浊的方法等等。
此外，在高频、海量的金融数据中利用CNN也是一个值得考试测验的方向。

风险提示

通过卷积神经网络构建的选股策略是历史履历的总结，存在失落效的可能。
卷积神经网络模型可阐明程度较低，利用须谨慎。

免责申明

本报告仅供华泰证券株式会社（以下简称“本公司”）客户利用。
本公司不因吸收人收到本报告而视其为客户。

本报告基于本公司认为可靠的、已公开的信息体例，但本公司对该等信息的准确性及完全性不作任何担保。
本报告所载的见地、评估及预测仅反响报告发布当日的不雅观点和判断。
在不同期间，本公司可能会发出与本报告所载见地、评估及预测不一致的研究报告。
同时，本报告所指的证券或投资标的的价格、代价及投资收入可能会颠簸。
本公司不担保本报告所含信息保持在最新状态。
本公司对本报告所含信息可在不发出关照的环境下做出修正，投资者应该自行关注相应的更新或修正。

本公司力求报告内容客不雅观、公道，但本报告所载的不雅观点、结论和建议仅供参考，不构成所述证券的买卖出价或征价。
该等不雅观点、建议并未考虑到个别投资者的详细投资目的、财务状况以及特定需求，在任何时候均不构成对客户私人投资建议。
投资者应该充分考虑自身特定状况，并完全理解和利用本报告内容，不应视本报告为做出投资决策的唯一成分。
对依据或者利用本报告所造成的统统后果，本公司及作者均不承担当何法律任务。
任何形式的分享证券投资收益或者分担证券投资丢失的书面或口头承诺均为无效。

本公司及作者在自身所知情的范围内，与本报告所指的证券或投资标的不存在法律禁止的短长关系。
在法律容许的情形下，本公司及其所属关联机构可能会持有报告中提到的公司所发行的证券头寸并进行交易，也可能为之供应或者争取供应投资银行、财务顾问或者金融产品等干系做事。
本公司的资产管理部门、自营部门以及其他投资业务部门可能独立做出与本报告中的见地或建议不一致的投资决策。

本报告版权仅为本公司所有。
未经本公司书面容许，任何机构或个人不得以翻版、复制、揭橥、引用或再次分发他人等任何形式陵犯本公司版权。
如征得本公司赞许进行引用、刊发的，需在许可的范围内利用，并注明出处为“华泰证券研究所”，且不得对本报告进行任何有悖原意的引用、删节和修正。
本公司保留深究干系任务的权力。
所有本报告中利用的牌号、做事标记及标记均为本公司的牌号、做事标记及标记。

本公司具有中国证监会核准的“证券投资咨询”业务资格，经营容许证编号为：91320000704041011J。

全资子公司华泰金融控股（喷鼻香港）有限公司具有喷鼻香港证监会核准的“就证券供应见地”业务资格，经营容许证编号为：AOK809

©版权所有2019年华泰证券株式会社

林晓明

执业证书编号：S0570516010001

华泰金工深度报告一览

金融周期系列研究（资产配置）

【华泰金工林晓明团队】二十载昔日重现，三四年周期循环——2019年中国与环球市场量化资产配置年度不雅观点（上）

【华泰金工林晓明团队】二十载昔日重现，三四年周期循环——2019年中国与环球市场量化资产配置年度不雅观点（下）

【华泰金工林晓明团队】周期轮动下的BL资产配置策略

【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究

【华泰金工林晓明团队】市场拐点的判断方法

【华泰金工林晓明团队】2018中国与环球市场的机会、风险 · 年度策略报告（上）

【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（四）——华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（三）——华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（二）——华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（一）——华泰金工周期系列研究

【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索

【华泰金工林晓明团队】市场周期的量化分解

【华泰金工林晓明团队】周期研究对大类资产的预测不雅观点

【华泰金工林晓明团队】金融经济系统周期的确定（下）——华泰金工周期系列研究

【华泰金工林晓明团队】金融经济系统周期的确定（上）——华泰金工周期系列研究

【华泰金工林晓明团队】环球多市场择时配置初探——华泰周期择时研究系列

行业指数频谱剖析及配置模型：市场的周期剖析系列之三

【华泰金工林晓明团队】市场的频率——市场循环，周期重生

【华泰金工林晓明团队】市场的循环——金融市场周期与经济周期关系初探

FOF与金融创新产品

【华泰金工】生命周期基金Glide Path开拓实例——华泰FOF与金融创新产品系列研究报告之一

因子周期（因子择时）

【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二

【华泰金工林晓明团队】因子收益率的周期性研究初探

择时

【华泰金工林晓明团队】华泰风险收益同等性择时模型

【华泰金工林晓明团队】技能指标与周期量价择时模型的结合

【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的运用

行业轮动

【华泰金工林晓明团队】估值因子在行业配置中的运用——华泰行业轮动系列报告之五

【华泰金工林晓明团队】动量增强因子在行业配置中的运用--华泰行业轮动系列报告之四

【华泰金工林晓明团队】财务质量因子在行业配置中的运用--华泰行业轮动系列报告之三

【华泰金工林晓明团队】周期视角下的行业轮动实证剖析·华泰行业轮动系列之二

【华泰金工林晓明团队】基于通用回归模型的行业轮动策略 · 华泰行业轮动系列之一

多因子选股

【华泰金工林晓明团队】华泰单因子测试之同等预期因子 ——华泰多因子系列之九

【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八

【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七

【华泰金工林晓明团队】华泰单因子测试之颠簸率类因子——华泰多因子系列之六

【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五

【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四

【华泰金工林晓明团队】华泰单因子测试之发展类因子——华泰多因子系列之三

【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二

【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一

【华泰金工林晓明团队】五因子模型A股实证研究

【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二

人工智能

【华泰金工林晓明团队】对抗过拟合：从时序交叉验证谈起

【华泰金工林晓明团队】人工智能选股之丢失函数的改进——华泰人工智能系列之十三

【华泰金工林晓明团队】人工智能选股之特色选择——华泰人工智能系列之十二

【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一

【华泰金工林晓明团队】宏不雅观周期指标运用于随机森林选股——华泰人工智能系列之十

【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九

【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八

【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七

【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六

【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五

【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四

【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三

【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二

指数增强基金剖析

【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位剖析专题报告

【华泰金工林晓明团队】酌古御今：指数增强基金收益剖析

【华泰金工林晓明团队】基于回归法的基金持股仓位测算

【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证

基本面选股

【华泰金工林晓明团队】华泰代价选股之相对市盈率港股模型——相对市盈率港股通模型实证研究

【华泰金工林晓明团队】华泰代价选股之FFScore模型

【华泰金工林晓明团队】相对市盈率选股模型A股市场实证研究

【华泰金工林晓明团队】华泰代价选股之现金流因子研究——现金流因子选股策略实证研究

【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究

【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究

基金定投

【华泰金工林晓明团队】大成旗下基金2018定投策略研究

【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四

【华泰金工林晓明团队】基金定投3—马科维茨有效性考验

【华泰金工林晓明团队】基金定投2—投资标的与机遇的选择方法

【华泰金工林晓明团队】基金定投1—剖析方法与理论根本

Smartbeta

【华泰金工林晓明团队】Smartbeta在资产配置中的上风——华泰金工Smartbeta专题研究之一

其它

【华泰金工林晓明团队】A股市场及行业的农历月份效应——月份效应之二

A股市场及行业的月份效应——详解历史数据中的隐蔽法则