基于多因子模型与LSTM的中证500成分股价格预测 组会汇报笔记
一、研究背景
1.1 现实背景
股票市场受宏观经济、行业周期、企业经营、市场情绪多重因素叠加，具有高噪声、非线性、强时间序列依赖特征，股价预测一直是量化金融领域的难点。
中证500指数成分股代表A股中盘成长企业，覆盖电子、医药、高端制造等新兴行业，流动性较好，是量化研究非常典型的研究样本。
传统的多因子模型擅长挖掘横截面收益，但是以线性建模为主，难以捕捉因子之间复杂的非线性交互关系；而单纯LSTM深度学习模型，如果输入特征质量较差，大量无效噪声因子会造成模型过拟合，预测效果受限。
因此本文研究目标：结合多因子特征筛选与LSTM时序深度学习，构建中证500成分股次日收盘价预测模型，探究因子筛选对时序预测任务的实际增益。
1.2 国内外研究简述
- 国外：大量研究证实LSTM在金融时序预测具备优势，同时也发现模型性能高度依赖输入特征；CNN、RNN也被用于股价预测，但长时序建模存在短板。
- 国内：国内学者多将小波变换、PCA等方法和LSTM结合做股价预测；但将LightGBM树模型做因子筛选，再对接LSTM时序网络，针对中证500中盘股的实证还有进一步探索空间。
研究意义
理论意义：验证树模型特征筛选与循环神经网络结合在A股中盘股时序预测任务的可行性。
实践意义：为量化投资的特征工程、时序预测建模提供实证参考。
二、研究方法论（完整技术链路）
整体流程：数据获取与预处理 → 因子池构建 → LightGBM时间序列交叉验证因子筛选 → 特征标准化 → LSTM模型构建与滑动窗口采样 → 设置对照组实验对比评估
2.1 数据获取与预处理
- 数据来源：Tushare金融接口；时间区间2015‑10‑01至2026‑01‑01；采用2025‑12版本中证500成分股名单。
提前获取2015年末数据，用于计算技术指标，规避初期样本缺失。
- 数据清洗规则
- 过滤连续停牌超过30自然日的股票，消除序列断裂噪声；
- 使用复权因子计算前复权行情数据，消除分红、送股带来价格跳空；
- 基于行情原始数据衍生动量、趋势、波动、情绪类技术因子；
- 缺失值处理：因子缺失率＞1%直接剔除样本；缺失率≤1%采用前后30日滚动均值填充。
经过清洗后得到样本：90只中证500成分股，合计21万+交易日样本。
原始输入分为两类：
①基础行情特征：open、high、low、close、vol、amount；不参与LightGBM筛选，直接送入LSTM
②衍生因子池：动量、RSI、KDJ、ATR、估值、换手率等技术+财务因子，作为LightGBM筛选对象。
2.2 LightGBM因子筛选方法
- 预测标签使用对数收益率，改善标签分布，提升模型训练稳定性；
- 采用TimeSeriesSplit时间序列5折交叉验证，严格保证训练集时间全部早于验证集，杜绝未来信息泄露；
- LightGBM训练设置早停50轮，记录两类特征重要性：
gain增益：特征分裂带来损失下降，代表预测贡献度；split分裂次数：特征被选为分裂节点的频次，代表特征通用性；
- 取5折交叉验证平均重要性得分，选取top20因子作为筛选后的核心特征集。
筛选结果：gain与split指标下排名靠前因子重合度较高；WR_14、CCI_14、波动率、价格位置、短期反转、换手率、总市值等量价、情绪、估值类因子重要性靠前。
2.3 LSTM模型构建
- 特征标准化：仅使用训练集统计的均值与标准差做Z‑score标准化，再映射到验证集、测试集，避免数据泄露。
- 输入维度：6维原始行情特征 + 20维筛选后因子，合计26维；
- 网络结构：双层堆叠LSTM，隐藏层维度均为32，设置Dropout=0.1做正则，输出预测对数收益率，再换算为预测收盘价；
- 样本构造：滑动时间窗口，窗口长度20个交易日，利用过去20天序列预测下一日收盘价；
- 数据集划分：8:1:1划分训练集/验证集/测试集；验证集连续10轮损失不下降执行早停。
2.4 对照组实验设计（控制变量）
保持优化器、学习率、batch size、数据集划分全部一致，仅修改模型结构或者输入特征：
- CNN对照组：一维卷积网络，提取序列局部模式；
- RNN对照组：基础两层RNN网络；
- 全因子LSTM对照组：网络结构与主模型完全一致，输入不经过LightGBM筛选的全部因子。
2.5 模型评价指标
采用每只股票测试集指标再取算术平均，指标包括：MSE、RMSE、MAE、RMAE、$R^2$。
|
主模型LSTM（筛选因子） |
CNN模型 |
RNN模型 |
全因子LSTM |
| 平均MSE |
0.638932 |
0.659654 |
0.628997 |
0.62478 |
| 平均RMSE |
0.558475 |
0.812191 |
0.793093 |
0.552783 |
| 平均MAE |
0.377678 |
0.386496 |
0.375309 |
0.374475 |
| 平均RMAE |
0.558475 |
0.567891 |
0.553960 |
0.552783 |
| 平均价格$R^2$ |
0.952146 |
0.950065 |
0.952257 |
0.952485 |
实验核心结论：
- LSTM系列模型RMSE显著低于CNN、RNN，说明门控结构对20步金融时序建模更有优势；
- LightGBM筛选后的模型，输入维度大幅下降，但精度与全因子LSTM基本持平，RMSE仅相差0.9%；因子筛选的收益主要体现在降低特征维度、降低训练开销、抑制噪声，而非大幅提升预测精度。
- 全部模型$R^2$均大于0.95，高$R^2$来源于股价本身强自相关性，不能等同于具备超额收益预测能力；
- 模型能够拟合股价整体趋势，但在拐点、极值点处预测存在滞后。
三、研究缺陷与不足
分为数据与因子层面、模型层面、实验设计层面、应用落地层面
3.1 因子与数据层面
- 当前因子池以技术量价指标为主，基本面仅引入少量季度财务指标，缺少宏观经济指标、行业景气度、舆情新闻文本特征，因子体系维度受限。
- 样本池仅选取90只中证500成分股，样本股票数量有限，没有做跨股票池泛化验证（中证1000、沪深300等），模型外部泛化能力未得到检验。
- 财务数据为季度低频，和日频行情数据简单拼接，没有做更精细的低频‑高频对齐处理，存在时间粒度错配问题。
3.2 模型与超参数层面
- LSTM网络超参数（隐藏层维度、dropout、窗口大小、学习率）依靠经验与参考文献设置，未开展系统网格/贝叶斯超参寻优，模型结构不是理论最优。
- 对比对照组模型同样没有做超参遍历调优，当前对比结果只能代表该组参数下的表现，不能代表CNN、RNN模型的理论上限。
- 模型仅做单步预测（预测未来1天收盘价），没有做多步滚动预测、波动率预测任务。
3.3 实验设计的局限性
- 评价指标使用价格层面的MSE、RMSE、$R^2$，属于回归误差指标；没有针对涨跌方向准确率、回测收益、最大回撤这类投资业务指标做评估。高拟合优度不等于可以产生投资收益。
- 虽然做了时间序列交叉验证用于因子筛选，但神经网络训练没有采用滚动回测的样本训练范式，和真实量化策略逐期调参的场景仍有差距。
- LightGBM筛选只看特征重要性得分，没有做因子的IC、IR、因子衰减检验，缺少对因子有效性的金融层面校验。
3.4 现实落地层面
- 只完成价格拟合预测任务，没有基于预测结果构建完整交易回测策略，无法评估模型在实盘模拟下的盈亏表现。
- 未考虑滑点、交易手续费、涨跌停、流动性约束等实盘交易约束，距离实际量化投资使用还有很大距离。
四、后续改进方向
- 扩充因子库：加入宏观指标、行业因子、舆情特征，完善低频财务因子和日频行情的对齐处理；
- 超参数优化：使用贝叶斯优化对LSTM、对照组模型统一寻优，保证对比公平；
- 丰富评估体系：增加涨跌方向预测准确率，搭建回测框架，增加收益、回撤、夏普比率等投资类指标；
- 扩展任务：开展多步滚动预测；增加中证1000、沪深300样本，验证模型跨池泛化能力；
- 因子检验：对筛选出的核心因子补充IC、IR等量化因子有效性检验。