AI揭开行业轮动的“秘密”：“成绩”的赛道0.1.0版.docxVIP

正文目录 引言 4 研究背景 4 适应性市场假说 4 强化学习的模型框架 5 基于强化学习的模型搭建 6 识别市场状态 6 利用深度学习识别市场状态的可行性 6 基于深度学习的市场状态识别模型 10 通过强化学习模型总结历史经验教训 12 时间差分法和Q-learning 12 AI 训练的步骤 13 强化学习的自适应性 14 强化学习模型的回测检验 15 分层回测 16 最优行业选择回测 18 市场情绪择时回测 22 4.4. 总结 24 参考文献 26 图表目录 图 1：强化学习方法论简易框架 5 图 2：Morning Star 蜡烛图形态 7 图 3：Morning Star 形态经GAF 变换后的图像 8 图 4：Bearish Harami 蜡烛图形态 8 图 5：Bearish Harami 经 Na?ve Transformation 变换后灰度图 9 图 6：NT CNN, GAF CNN, LSTM RNN 识别量价形态准确率 9 图 7：三模型识别短期（1d）涨跌形态准确度 10 图 8：三模型识别中期（5d）涨跌形态准确度 11 图 9：三模型识别长期（10d）涨跌形态准确度 11 图 10：RL-AI 动态迭代机制示意图 14 图 11：21 天窗口累计相对价值分组回测 16 图 12：63 天窗口累计相对价值分组回测 17 图 13：252 天窗口累计相对价值分组回测 18 图 14：21 天窗口最优 3，5，10 个行业回测 19 图 15：21 天窗口最优 3，5，10 个行业超额收益 19 图 16：63 天窗口最优 3，5，10 个行业回测 20 图 17：63 天窗口最优 3，5，10 个行业超额收益 20 图 18：252 天窗口最优 3，5，10 个行业回测 21 图 19：252 天窗口最优 3，5，10 个行业超额收益 21 图 20：市场情绪择时回测 22 图 21：市场情绪择时与行业优选 结合回测 22 图 22：市场情绪择时与行业优选 结合超额收益 23 图 23：市场情绪择时时间序列（1 为净多头，0 为净空头）（报告发布后日频跟踪，表格结果截至 2020 年 9 月 18 日） 26 表 1：涨跌形态向量值与状态名对应表 12 表 2：初始化后的Q-Table 13 表 3：银行指数 (882115.WI) 2017-6-1 Q-Table 读数 15 表 4：银行指数 (882115.WI) 2018-6-1 Q-Table 读数 15 表 5：银行指数 (882115.WI) 2019-6-3 Q-Table 读数 15 表 6：银行指数 (882115.WI) 2020-6-1Q-Table 读数 15 表 7：21 天窗口累计相对价值分组回测 17 表 8：63 天窗口累计相对价值分组回测 17 表 9：252 天窗口累计相对价值分组回测 18 表 10：21 天窗口最优 3，5，10 个行业回测 19 表 11：63 天窗口最优 3，5，10 个行业回测 20 表 12：252 天窗口最优 3，5，10 个行业回测 21 表 13：市场情绪择时回测 22 表 14：市场情绪择时与行业优选 结合回测 23 表 15：AI 模型行业最新排名（报告发布后日频跟踪，表格结果截至 2020 年 9 月 18 日） 24 表 16：AI 模型行业最新排名（续）（报告发布后日频跟踪，表格结果截至 2020 年 9 月 18 日） 25 引言 近年来，宏观经济运行、政策导向、行业基本面、投资者偏好以及群体性投资方向趋同等等因素，权益市场精准把握行业的轮动就显得至关重要。准确地跟踪和找到当前市场更加倾向于“投票”给何种行业板块也是进一步精细化选股的前继基础。因此，这篇报告作为《“成绩”的赛道》的 0.1.0 版本，我们期望达到以下的目标： 设计虚拟 AI 交易员，其动态优化“行业配置”策略，跟踪其配置趋势。在其交易结果存在持续增长的超额时，我们认为其交易配置趋势的跟踪将对我们行业板块的配置选择产生较强的参考借鉴价值。 RL-AI 对于 67 个细分赛道的时序上的价值估计，也是市场整体情绪（“多空格局”）的重要提示性量化指标。据此，量化结果在提供“行业轮动”建议的同时，提示 “仓位”增减建议。 研究背景 适应性市场假说 长期以来，人们相信市场是有效的，市场能调节供需平衡，并且也认为人的选择是理性的。有效市场假说（Efficient Market Hypothesis，EMH）自芝加哥大学 Eu