>> 開源證券-量化評論(109)：深度學(xué)習(xí)賦能技術(shù)分析-250625
| 上傳日期： |
2025/6/26 |
大?。?/td>
| 2229KB |
| 格式： |
pdf 共13頁 |
來源： |
開源證券 |
| 評級： |
-- |
作者： |
魏建榕,盛少成 |
| 下載權(quán)限： |
無限制-登錄即可下載 |
|
|
●基于技術(shù)指標(biāo)的因子挖掘
在本文第一部分，我們主要利用股價數(shù)據(jù)（開、高、低、收、成交量），以及衍生出的相關(guān)技術(shù)指標(biāo)進行因子挖掘。在挖掘方式上，我們對比了如下兩種:(1)直接使用LSTM;(2）先用遺傳算法挖掘出有效因子，再將其和原始數(shù)據(jù)一起作為初始變量，使用LSTM。其中，第二種方式下得到的因子LSTMdeap tech的RankIC從2019年至今為9.27%，高于第一種方式下LSTMtech的7.42%。除此之外，LSTMdeap tech基本包含了LSTMtech的alpha信息，在使用LSTMtech回歸LSTMdeap tech之后，殘差基本不具備選股效果。
●基于圖形識別的因子挖掘
在本文第二部分，我們嘗試從圖形出發(fā)，構(gòu)建形態(tài)選股因子。對于圖形的識別，在深度學(xué)習(xí)領(lǐng)域，一種可行的方法即:使用CNN網(wǎng)絡(luò)學(xué)習(xí)股票狀態(tài)，生成狀態(tài)隱藏層，接著通過全連接層輸出漲跌判斷。但是經(jīng)過嘗試我們發(fā)現(xiàn):此方法訓(xùn)練耗時較長且對算力、內(nèi)存要求較高;除此之外，圖形識別無法涵蓋一些更為細(xì)致的影響因素（如漲跌停等)），且可以涵蓋的技木指標(biāo)數(shù)量存在一定的限制。針對此情況，我們進行了方案的轉(zhuǎn)變，即人為定義圖形的狀態(tài)。基于狀態(tài)的劃分，我們嘗試了兩種思路構(gòu)建因子:(1）人工維度:構(gòu)建歷史形態(tài)相似度因子Tech_smilarity和K_smilarity，二者合成后Tech_K_smilarity從2019年至今其RankIC為4.87%;(2）深度學(xué)習(xí)維度:將狀態(tài)變量放入LSTM中進行訓(xùn)練，得到因子LSTMgraph，2019年至今RankIC為9.01%。除此之外，LSTMgraph基本包含Tech_K_smilarity的alpha信息。
●綜合的深度學(xué)習(xí)技術(shù)因子
在以上兩個部分的討論中，我們深度論證了在使用深度學(xué)習(xí)挖掘技術(shù)因子時，輸入端對于最后結(jié)果的影響。本文給出兩種嘗試:(1)結(jié)合遺傳算法有效因子，得到LSTMeap tech:(2）將技術(shù)指標(biāo)轉(zhuǎn)化為狀態(tài)變量，得到LSTMgraph。由于二者是從不同維度出發(fā)構(gòu)建的因子，因此相互都不能被對方完全解釋，最終我們將二者等權(quán)合成，績效進一步提升。合成因子LSTMdeap tech graph從2019年至今RankIC為10.89%，RankICIR為4.99，10分組多空對沖的年化收益為37.28%，整體衰現(xiàn)校為優(yōu)異。
●其他重要補充:與LSTMpro站合
在《深度學(xué)習(xí)賦能交易行為因子》中，我們構(gòu)建了因子LSTMpro。相較于LSTMdeap.tech graph只使用到了基礎(chǔ)量價指標(biāo)而言,LSTM p,o指標(biāo)元素更加豐害一些，二者因子相關(guān)性僅達到38.61%。進一步地，我們將二者等權(quán)合成，因子績效更好，從2019年至今RankIC為11.93%，10分組多空對沖的年化收益為39.85%。值得一提的是，相較于LSTMdeap tech graph，合成后因子多頭分組更加明顯,多頭超額年化收益從9.40%提升至11.34%,收益波動比從2.01提升至2.80。
●風(fēng)險提示:本報告模型基于歷史數(shù)據(jù)測算，市場未來可能發(fā)生重大改變。
|
|
