随着经济的发展,量化投资在我国A股市场慢慢开始普及,特别是将多因子技术模型用于量化投资模型或者风控模型。因子的收益率是在量化投资模型中使用该因子能带来收益多少的衡量指标,任一因子在不同的时刻都有不同的收益率,因此对于因子收益率的预测十分重要,深度学习中的具有长短记忆效果的循环神经网络能够预测时间序列数据,而提前预判因子的收益率能够为量化投资模型以及风控模型提供重要的数据参考。本论文选择了2006年～2020年的A股所有股票日级别数据,参照以Fama-French为首的主流多因子模型构建了规模、价值、盈利、投资、以及自定义的回归因子。根据因子将股票平均分成5组,通过复合收益率的曲线图展示了各组股票的平均收益率的差异,通过第一组股票的收益率均值减去第五组股票的收益率均值计算因子的收益率。因子的收益率是挑选因子的一个及其重要的标准。除了使用分组法,本论文还使用了单因素方差分析来进一步辅助分析和检验因子数据,以寻求适用于量化投资的因子。通过分析因子收益率的时间序列数据,可以认识到各因子收益率的整体差异,以及各因子的收益率在不同时间段内的差异。由于因子的收益率会随着时间的变化而变化,影响了基于因子的量化投资模型在不同时段内的稳定性。为了消除因子收益率变化所带来的影响,本文通过因子相关的历史数据,使用深度学习中的循环神经网络相关的模型预测未来因子的收益率。预测的时间以日为周期并以滑动窗口的方式用过去的数据预测下一个交易日的因子收益率。本论文对比了长短记忆神经网络、门控循环单元神经网络、双向长短记忆神经网络以及双向门控循环单元神经网络四种循环神经网络模型,发现基于双向长短记忆神经网络的预测能力最佳,同时测试了各种主流的梯度下降优化算法,选取了RMSprop梯度下降算法结合双向长短记忆神经网络,并通过网格法得出用于训练历史数据的最佳参数。进一步,本文通过模型结果进行了实证分析。结果发现:根据各因子的收益率的预测结果使用因子取正策略,即只有在因子收益率的预测值为正时使用该因子,各因子的平均模拟收益率从17.55%提升至27.03%,最大回撤从37.48%下降到13.15%;而根据各因子的收益率的预测结果使用因子反转策略,即在因子收益率的预测值为负时,反手做多第五组股票并做空第一组股票,各因子的平均模拟收益率从17.55%提升至36.05%,最大回撤从37.48%下降到17.20%。同时通过因子的收益率的预测可以开发出比较实用的策略,比如在2021年1月份的“资金抱团”的现象中,整个市场只有20%左右的大市值股票上涨,而小市值股票出现大幅下跌。由于许多量化投资模型使用了规模因子而配置了小市值的股票,导致了其净值出现了大幅回撤。但是通过预测规模因子的收益率而使用因子反转策略,却可以在这段时间内获得24.02%的模拟收益率,其最大回撤也只有1.82%。本论文的研究工作提供了构建因子分析框架的详细步骤,评估了各因子的历史收益率以供与筛选因子,使用深度学习预测了未来因子收益率,为使用多因子的量化投资模型提供了重要的参考数据,同时提供了两套可供参考的策略和实用案例。