>> 浙商證券-金融工程研究報告：多元時序預(yù)測在行業(yè)輪動中的應(yīng)用-250811
| 上傳日期： |
2025/8/11 |
大?。?/td>
| 1107KB |
| 格式： |
pdf 共13頁 |
來源： |
浙商證券 |
| 評級： |
-- |
作者： |
陳奧林 |
| 下載權(quán)限： |
此報告為加密報告 |
|
|
核心觀點
我們將多元CNN-LSTM預(yù)測模型應(yīng)用于申萬一級行業(yè)指數(shù)，通過行業(yè)分組使用多個并列模型實現(xiàn)指數(shù)預(yù)測，構(gòu)建了組合年化收益約15.6%的周頻行業(yè)輪動信號。
多元時間序列模型應(yīng)用于股票指數(shù)預(yù)測模型
考慮到并行金融時間序列數(shù)據(jù)間的相互作用，我們將多元時間序列分析技術(shù)納入以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的集成模型，來實現(xiàn)相應(yīng)的時序預(yù)測。我們使用多元CNNLSTM實現(xiàn)申萬一級行業(yè)指數(shù)預(yù)測，回測顯示預(yù)測精度基本達到了價格預(yù)測的需求，測試集上的預(yù)測誤差在1.56%到3.30%范圍內(nèi)。整體上來看，TMT相關(guān)行業(yè)的預(yù)測誤差較小，而消費類行業(yè)的預(yù)測誤差較大；測試集預(yù)測誤差相較于訓(xùn)練集的增加幅度并不明顯，僅在美容護理、石油石化、環(huán)保等行業(yè)有較明顯的增量。
行業(yè)指數(shù)分組訓(xùn)練，提升多元時序預(yù)測精度
對于多元時序預(yù)測模型，訓(xùn)練數(shù)據(jù)樣本數(shù)量與時間序列的數(shù)量/行業(yè)數(shù)量無關(guān)，而與交易日的數(shù)量有關(guān)；另一方面，時間序列數(shù)量越多，模型越復(fù)雜，模型內(nèi)參數(shù)難以實現(xiàn)充分學(xué)習(xí)。我們對申萬一級行業(yè)指數(shù)進行歸類，從而將行業(yè)指數(shù)分為幾組，對每個組內(nèi)的行業(yè)指數(shù)共同構(gòu)建一個預(yù)測模型。
我們按照投資屬性將一級行業(yè)做如下歸類（不含綜合）：消費類行業(yè)，周期性行業(yè)，大科技行業(yè)，和大金融行業(yè)?？紤]組內(nèi)行業(yè)數(shù)量進行了拆分與合并，最終得到消費及醫(yī)藥、上游資源及材料、高端制造、地產(chǎn)及基建、大科技行業(yè)，和大金融行業(yè)6個組。
相較于全部一級行業(yè)使用同一個模型進行預(yù)測，分組訓(xùn)練對原來預(yù)測精度低的行業(yè)表現(xiàn)有所提升。整體上來看，對一級行業(yè)進行分組并訓(xùn)練不同的CNN-LSTM子模型的預(yù)測效果更好。
利用多元CNN-LSTM預(yù)測模型構(gòu)建周頻行業(yè)輪動信號：
我們使用多元CNN-LSTM對指數(shù)預(yù)測值來估計其未來一周的收益率，每隔5個交易日選取預(yù)期收益率最高的前五名行業(yè)等權(quán)配置。從2018Q3開始每季度初重新訓(xùn)練并列子模型，訓(xùn)練數(shù)據(jù)使用擴展窗口，包含從2014年3月到訓(xùn)練時點之前的所有歷史數(shù)據(jù)。行業(yè)輪動組合年化收益達15.6%，年化超額收益約11.6%，最大回撤等風(fēng)險收益特征較申萬一級行業(yè)等權(quán)（不含綜合）基準(zhǔn)均有明顯提升。
風(fēng)險提示
本報告構(gòu)建的策略框架中所提及的交易均指模擬交易，回測結(jié)果是基于歷史數(shù)據(jù)的統(tǒng)計歸納，收益風(fēng)險指標(biāo)不代表未來，模型力求自適應(yīng)跟蹤市場規(guī)律和趨勢，但仍存失效可能，不構(gòu)成投資建議，須謹慎使用。AI模型發(fā)生參數(shù)微調(diào)和數(shù)據(jù)變動都可能導(dǎo)致性能和結(jié)果波動。
|
|
