海通金工 | 选股因子系列研究（八十六）——深度学习高频因子的特征工程

　　以下文章来源于海通量化团队，作者海通量化团队

　　冯佳睿

　　海通金融工程研究首席分析师

　　S0850512080006

　　投资要点

　　近年来，高频数据逐渐成为量化策略中一类重要的 Alpha 来源。除了用传统的基于人工逻辑的方式构建高频因子外，深度学习也是一种高效、可行的高频因子构建方法。然而，我们在日常的路演交流中发现，初涉深度学习的投资者往往对深度学习高频因子的特征工程（如，特征的构建、处理、归因和筛选）存在各种各样的研究需求。因此，本文旨在通过多方面的对比测试，为广大投资者在特征工程层面提供一定的参考。

　　深度学习高频因子的特征构建。本文使用“原始数据-分钟级基础指标-目标频率衍生指标”的方式生成高频特征。即，基于原始数据生成一系列分钟级的基础指标，这类指标旨在捕捉原始数据中的基本信息。因此计算往往不会过于复杂，它们将作为后续特征计算的输入数据。得到基础指标序列后，本文先确定算子，再通过不断变换输入的基础指标序列生成特征。其中，算子既可以由简单的四则混合运算或统计计算衍化得到，也可以从人工逻辑因子研发经验中归纳总结。

　　深度学习高频因子的特征处理。具体包括，分布调整、极值处理和标准化。基于波动率、成交金额、成交笔数和买卖单数生成的特征，通常具有较为明显的偏度。因此，分布调整是特征处理的第一步。特征中的极值也会影响模型的训练效果，因此，我们采用和常规的因子极值处理类似的方法，即，N 倍标准差截断。和低频数据类似，高频数据同样量纲差异巨大。因此，为减轻这个问题对模型训练带来的影响，标准化也是很有必要的。

　　深度学习高频因子的特征归因。常见的特征归因模型大致有基于梯度（Gradient）和基于扰动（Perturbation）两类。其中，基于梯度的归因方法又称作反向传播归因法，基于扰动的归因方法又称作前向传播归因法。本文选用积分梯度法进行特征归因，因为该方法具备完整性（Completeness）。即，所有特征归因后的贡献度之和为模型输出与基线输出之间的差值。通过积分梯度法归因，我们亦可得到每一个特征的绝对贡献度，进而比较它们对预测结果的重要性。

　　深度学习高频因子的特征筛选。当特征数量从 176 精简至 128 或 64 后，在任何一种处理方式下，因子的 IC 均未出现下降，而年化多头超额收益则进一步提升。但是，如果特征数量进一步降至 32，反而有可能造成 IC 或多头超额收益的下降。因此，我们认为，和线性模型类似，深度学习模型的特征筛选同样是有必要且有益的。它可以剔除冗余信息、缩短训练时间、优化计算资源，并较为显著地提升模型表现。然而，过度精简特征也会损失有效信息，降低训练所得因子的选股能力，故我们需要在模型的简约和效果之间取得平衡。

　　深度学习高频因子在指数增强组合中的应用与对比。将深度学习高频因子引入中证 500 和中证 1000 增强策略，我们通过测试发现，首先，同样是 176 特征集合，偏度调整和去极值均能大概率提升年化超额收益；其次，一定程度的特征筛选（64或 128 特征集合），也在绝大多数情况下，获得了优于原始集合的表现；第三，过度的特征筛选，如仅保留 32 个特征，则有可能损失重要信息，产生负面效应。最后，单一截面和跨截面两种标准化方式的差异较小。

　　风险提示。市场系统性风险、资产流动性风险、政策变动风险、因子失效风险。