卷积自编码器（CAE）的简单介绍

卷积自编码器是自编码器方法的一种延伸，自编码器包括编码和解码，通过将输入的图像进行编码，特征映射到隐层空间，然后解码器对隐层空间的特征进行解码（重建的过程）获得输入的重建样本。自编码一般使用NN网络做编码和解码器，卷积自编码器利用卷积网络对图像特征抽取和表示的优异性能，来代替自编码器的NN网络。

研究人员发现，卷积神经网络（CNN）之所以在处理图像上有优势，是因为可以提取隐藏在图像中的空间信息，因此很自然地想到如果可以使用CNN构造编码器和解码器网络，会比其他自动编码机工作得更好，因此产生了卷积自编码器（CAE）。

CAE的编码器和解码器都是CNN网络，编码器的卷积网络学习将输入编码为一组信号，然后解码器CNN尝试重构来自自动编码机的输入。其中CNN作为通用特征提取器进行工作，学习如何最好地捕捉输入特征。

通过前面的学习我们知道，随着卷积层的添加，传递到下一层的空间尺寸信息在减小，但是在自编码器中，重构图像的大小和深度应与输入图片相同，这意味着解码器应该以某种方式调整图像大小和卷积来重构原始图像。

按照《量化投资策略：多因子到人工智能》资料中的步骤，搭建深度学习模型，选择RCA算法，构建包括特征和标签提取、特征预处理、样本内训练、交叉验证和样本外测试等步骤。最终在每个月底可以产生对全部个股下期上涨概率的预测值，然后根据正确率、AUC等指标以及策略回测结果对模型进行评价。我们的模型设置为月频换仓，为了让模型及时学习到市场特征的变化并兼顾计算效率，我们采用了滚动回测方法，即从年1月1开始，每月底重新构建一次模型，在下一月进行测试。我们还根据模型的预测结果构建了沪深成份内选股和中证成份内选股策略，通过年化收益率、夏普比率、最大回撤等指标综合评价策略效果。

截至年5月1，中证指数增强收益86%，同期指数30%，超额56%，夏普比率0.86，最大回撤36%。

截至年5月1，沪深指数增强收益96%，同期指数30%，超额66%，夏普比率0.96，最大回撤39%。