>> 東吳證券-深度學(xué)習(xí)系列之二：絕對(duì)收益視角下的技術(shù)形態(tài)專家模型——選股擇時(shí)與多資產(chǎn)輪動(dòng)的統(tǒng)一框架-260324
| 上傳日期： |
2026/3/24 |
大?。?/td>
| 4408KB |
| 格式： |
pdf 共52頁 |
來源： |
東吳證券 |
| 評(píng)級(jí)： |
-- |
作者： |
于明明,周金銘 |
| 下載權(quán)限： |
無限制-登錄即可下載 |
|
|
本研究構(gòu)建了基于門控循環(huán)單元（GRU）神經(jīng)網(wǎng)絡(luò)的K線技術(shù)分析專家模型，實(shí)現(xiàn)了對(duì)市場(chǎng)技術(shù)形態(tài)特征的自動(dòng)化提取與智能化預(yù)測(cè)。技術(shù)分析作為資本市場(chǎng)投資決策的重要工具，在A股市場(chǎng)擁有深厚的實(shí)踐基礎(chǔ)與廣泛的投資者認(rèn)同。然而，傳統(tǒng)技術(shù)分析方法在實(shí)際應(yīng)用中面臨兩大核心困境：其一，人工定義的形態(tài)規(guī)則高度依賴經(jīng)驗(yàn)總結(jié)，難以量化且泛化能力有限；其二，單一時(shí)間周期的分析視角容易受到市場(chǎng)噪音干擾，信號(hào)穩(wěn)定性不足。本研究嘗試將GRU神經(jīng)網(wǎng)絡(luò)引入技術(shù)分析領(lǐng)域，構(gòu)建一套能夠自動(dòng)學(xué)習(xí)K線形態(tài)特征、同時(shí)具備截面選股與時(shí)序擇時(shí)雙重能力的智能化模型體系。通過在數(shù)千只股票、數(shù)年時(shí)間跨度的大樣本上進(jìn)行訓(xùn)練，模型學(xué)習(xí)到的是具有普適性的價(jià)格演變規(guī)律，而非針對(duì)特定標(biāo)的或特定時(shí)期的統(tǒng)計(jì)套利機(jī)會(huì)。
本模型相較于傳統(tǒng)量化方法實(shí)現(xiàn)了三大核心突破：截面與時(shí)序能力的統(tǒng)一、形態(tài)特征的深度提取以及多周期信息的智能融合。首先，模型突破了截面與時(shí)序的能力邊界。傳統(tǒng)選股因子通常需要經(jīng)過嚴(yán)格的截面標(biāo)準(zhǔn)化處理以增強(qiáng)橫向比較能力，但這一過程不可避免地?fù)p失了價(jià)格序列在時(shí)間維度上的絕對(duì)漲跌信息。本模型通過保留原始收益率數(shù)值進(jìn)行訓(xùn)練，使得單一模型同時(shí)具備“識(shí)別強(qiáng)勢(shì)股票”與“判斷市場(chǎng)方向”的統(tǒng)一框架，這種能力的融合并非人為設(shè)計(jì)，而是通過IC損失函數(shù)訓(xùn)練過程中的“智能涌現(xiàn)”自然形成。其次，模型實(shí)現(xiàn)了形態(tài)特征的深度提取。GRU模型通過多層門控單元的非線性變換，能夠自動(dòng)學(xué)習(xí)并提取K線序列中的高階形態(tài)特征，包括但不限于價(jià)格動(dòng)量、波動(dòng)率變化、成交量?jī)r(jià)配合等復(fù)合信息，其表征能力遠(yuǎn)超傳統(tǒng)技術(shù)指標(biāo)的線性組合。再次，模型構(gòu)建了多周期信息融合機(jī)制。通過獨(dú)立GRU架構(gòu)為不同周期數(shù)據(jù)配置專門化的特征提取模塊，實(shí)證結(jié)果顯示日K-GRU與周K-GRU的參數(shù)相關(guān)性接近零，證明兩個(gè)子模塊確實(shí)演化出了高度差異化且互補(bǔ)的特征提取策略。
實(shí)證檢驗(yàn)表明，模型在截面選股與時(shí)序擇時(shí)兩大維度均展現(xiàn)出穩(wěn)健的超額收益獲取能力，且具備出色的跨標(biāo)的泛化性能。在截面選股維度，單周期日K模型在2018-2026年間的全樣本測(cè)試中，截面IC均值達(dá)到9.14%，對(duì)應(yīng)信息比率為1.00，多頭組合相對(duì)全A等權(quán)基準(zhǔn)實(shí)現(xiàn)了年化10.73%的超額收益，收益回撤比0.71。在時(shí)序擇時(shí)維度，模型展現(xiàn)出超越傳統(tǒng)方法的預(yù)測(cè)能力。以中證全指為標(biāo)的，直接推理法下的擇時(shí)策略全區(qū)間年化超額收益達(dá)到15.94%至19.92%，收益回撤比在0.75至0.89之間。值得強(qiáng)調(diào)的是，中證全指的K線形態(tài)從未出現(xiàn)在模型訓(xùn)練樣本中，這一零樣本推理的成功驗(yàn)證了模型學(xué)習(xí)到的是具有普適性的價(jià)格演變規(guī)律。參數(shù)敏感性測(cè)試顯示，在回看窗口30至80個(gè)交易日的較寬區(qū)間內(nèi)，擇時(shí)策略均取得了穩(wěn)定的正超額收益，不存在明顯的參數(shù)過擬合問題。標(biāo)的敏感性測(cè)試表明，同一套擇時(shí)邏輯在滬深300、中證800、中證1000、創(chuàng)業(yè)板指等不同風(fēng)格寬基指數(shù)上均取得了顯著正超額，驗(yàn)證了模型的跨標(biāo)的泛化能力。
模型在風(fēng)格輪動(dòng)、行業(yè)輪動(dòng)與ETF輪動(dòng)等資產(chǎn)配置場(chǎng)景中均取得了顯著超額收益，其中ETF輪動(dòng)策略年化超額收益達(dá)到16.56%。在風(fēng)格輪動(dòng)場(chǎng)景中，國(guó)證成長(zhǎng)價(jià)值輪動(dòng)策略全區(qū)間年化超額收益達(dá)到7.42%，巨潮大小盤輪動(dòng)策略年化超額6.53%，均展現(xiàn)出較好的風(fēng)險(xiǎn)收益特征。行業(yè)輪動(dòng)策略表現(xiàn)更為突出，中信一級(jí)行業(yè)輪動(dòng)策略全區(qū)間年化超額12.60%，收益回撤比2.12，最大回撤控制在-5.95%以內(nèi)。ETF輪動(dòng)策略取得了最顯著的超額收益，5日調(diào)倉版本相對(duì)萬得全A全區(qū)間年化超額16.56%，收益波動(dòng)比1.80，收益回撤比1.57。相較于行業(yè)輪動(dòng)策略，ETF輪動(dòng)的超額收益更高，這源于ETF池涵蓋了行業(yè)、主題、風(fēng)格等多維度標(biāo)的，提供了更豐富的alpha來源，同時(shí)直接基于ETF跟蹤指數(shù)建模避免了傳統(tǒng)ETF輪動(dòng)方法下行業(yè)映射的信息損失。這些實(shí)證結(jié)果充分驗(yàn)證了技術(shù)形態(tài)專家模型在不同投資場(chǎng)景下的適應(yīng)性與穩(wěn)健性，為量化投資提供了全新的技術(shù)路徑。
風(fēng)險(xiǎn)提示：
1)模型失效風(fēng)險(xiǎn)。本研究模型基于歷史數(shù)據(jù)訓(xùn)練，歷史表現(xiàn)不代表未來收益。當(dāng)市場(chǎng)微觀結(jié)構(gòu)發(fā)生重大變化、投資者行為模式顯著轉(zhuǎn)變或監(jiān)管政策調(diào)整時(shí)，技術(shù)形態(tài)信號(hào)的有效性可能減弱甚至失效，導(dǎo)致策略表現(xiàn)不及預(yù)期。
2)極端行情風(fēng)險(xiǎn)。在流動(dòng)性危機(jī)、政策突發(fā)沖擊、系統(tǒng)性風(fēng)險(xiǎn)爆發(fā)等極端市場(chǎng)環(huán)境下，技術(shù)形態(tài)分析方法可能失效，模型無法及時(shí)識(shí)別風(fēng)險(xiǎn)或給出錯(cuò)誤信號(hào)，導(dǎo)致組合出現(xiàn)較大回撤。
3)過擬合風(fēng)險(xiǎn)。深度學(xué)習(xí)模型存在對(duì)訓(xùn)練樣本過度擬合的可能性，尤其是在樣本外數(shù)據(jù)分布發(fā)生漂移時(shí)，模型泛化能力可能下降。盡管本研究通過多維度穩(wěn)健性測(cè)試驗(yàn)證了模型的泛化性能，但實(shí)盤應(yīng)用仍需持續(xù)監(jiān)控并定期重訓(xùn)練。
4)交易成本風(fēng)險(xiǎn)。策略回測(cè)中設(shè)定的交易成本為理想化假設(shè)，實(shí)際交易中可能面臨沖擊成本、滑點(diǎn)、印花稅調(diào)整等額外損耗。高頻調(diào)倉策略對(duì)交易成本更為敏感，實(shí)際收益可能低于回測(cè)結(jié)果。
5)流動(dòng)性風(fēng)險(xiǎn)。部分小市值股票、冷門行業(yè)ETF可能存在流動(dòng)性不足問題，在實(shí)際交易中可能無法按預(yù)期價(jià)格成交，影響策略執(zhí)行效果。
|
|
