- 1、本文档共15页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
基于成分股CNN图像识别构建风格轮动模型研究背景
CNN(ConvolutionalNeuralNetwork,卷积神经网络)是一种深度学习模型,它在图像识别、视频分析和自然语言
处理等领域中非常流行和有效。CNN模型通常包含以下几个关键组件:卷积层、激活函数、池化层、全连接层。CNN
模型的训练过程通常包括前向传播和反向传播两个阶段。
CNN可以根据处理的数据维度分为1D(一维)和2D(二维)两种类型:1DCNN(一维卷积神经网络):主要用于处理
时间序列数据,例如时间序列、音频信号或文本数据。2DCNN是最常见的CNN类型,主要用于处理具有二维结构的
数据,如图像、视频帧或高分辨率地图。采用图像化方法来展现整个数据矩阵,可以增强统计模型识别复杂模式的
能力。
本研究框架基于《(Re-)Imag(in)ingPriceTrends》一文,使用该论文中绘制股票价格图表的方法,即OHLC图+移
动平均线+成交量柱状图,同时还借鉴了论文中的二分类标签分类方法:如果预测的收益率为正值,则图像标签为1;
如果预测的收益率为负值或零,则图像标签为0。
基于卷积神经网络的全市场量化选股因子
本研究设计了一个基于卷积神经网络(CNN)的模型,用于预测滚动20天窗口股票价格的未来走势。模型利用两个
卷积层自动提取时间序列的复杂特征,每层后接最大池化层以降低特征维度。处理后的特征图被展平并送入全连接
层,最终输出两个概率值,分别代表股票未来价格上涨和下跌的可能性。最终我们以股票上涨的概率作为因子进行
选股。
我们定义“AI识别K线”因子为使用包含过去20日价量数据的改进后的OHLC图表来预测未来20个交易日收益情况
的因子,并以20个交易日为周期进行调仓。从分位数组合表现上看,AI识别K线因子单调性较好。从IC测试表现
来看,AI识别K线因子在全市场的RankIC均值为5.52%,效果较为显著。从因子分组净值表现上看,AI识别K线因
子单调性较好,多头端和空头端均表现出色,年化超额收益率分别为5.36%和-12.14%。从因子多空净值表现上看,
AI识别K线因子的多空净值在2021年后迎来大幅增长,多空组合年化收益率达到了18.94%,夏普比率为1.79,表
现出色。
另外我们还对AI识别K线因子在沪深300、中证500、中证1000股票池中进行了因子测试。从IC测试表现来看,AI
识别K线因子在沪深300、中证500、中证1000股票池中的RankIC均值分别为3.89%、3.96%、4.85%。由下面的图
表我们可以发现,不论从RankIC均值还是因子单调性表现来说,AI识别K线因子在中证1000股票池中的表现远远
好于沪深300和中证500股票池。
基于成分股CNN图像识别的风格轮动模型
本节将基于前文构建的AI识别K线因子,进一步构造基于风格指数成分股的CNN强信息因子,从个股的微观视角出
发,探索其与风格指数的联动关系,旨在构建出更为精准且高效的风格轮动策略。我们设定了2018年1月9日至
2024年5月17日为回测时间段,每20个交易日进行调仓,且以各风格指数的等权持有组合作为我们的业绩比较基
准。回测结果显示,策略超额净值实现了12.38%的年化收益率和0.89的夏普比率,同时最大回撤率控制在-6%左右,
胜率为64.94%。根据模型最新一期信号,建议6月配置小盘成长指数,预期会相对基准组合取得超额收益。
风险提示
以上结果通过历史数据统计、建模和测算完成,历史规律不代表未来;在市场环境发生变化时,模型存在失效的风
险;策略依据一定的假设通过历史数据回测得到,当交易成本或其它条件改变时,可能导致策略收益下降甚至出现
亏损。
敬请参阅最后一页特别声明1
金融工程专题报告
内容目录
一、基于成分股CNN图像识别构建风格轮动模型研究背景4
1.1CNN的发展历程4
1.2C
您可能关注的文档
- Beta猎手系列之九:人工智能全球大类资产配置模型-240613-国金证券-19页.pdf
- 商铺租赁简易合同2篇.docx
- 餐饮业简易劳动合同书范本2篇.docx
- 安徽省住房租聘合同3篇.docx
- 金融合同委托理财合同范本2篇.docx
- 1223S01038-经济昆虫学-2023版人才培养方案课程教学大纲.docx
- 3023D06019-Python程序设计-2023版人才培养方案课程教学大纲.docx
- 2923S02006-社会保障概论-2023版人才培养方案课程教学大纲.docx
- 1723S00023-生药学--2023版人才培养方案课程教学大纲.docx
- 校企文创产品开发合同3篇.docx
- 3823S02020-环境地学与3S技术-2023版人才培养方案课程教学大纲.docx
- 0423S07012-旅游市场营销-2023版人才培养方案课程教学大纲.docx
- 1323S08022-生物信息学-2023版人才培养方案教学大纲.docx
- 国际技术服务合同样式3篇.docx
- 2024年服装销售合同样本3篇.docx
- 施工专业分包合同2篇.docx
- 2023D00133-数据库原理及安全实验-2023版人才培养方案课程教学大纲.docx
- 2023S03102-数据库原理及安全实验-2023版人才培养方案课程教学大纲.docx
- 1923D01014-古代汉语-(理论课程)-李娜.docx
- 商品猪委托养殖合同2篇.docx
文档评论(0)