量化選股策略：基于卷積神經網絡的股價走勢AI識別與分類.pdf

上傳者：J****
時間：2023/04/06
熱度：1213
0人點贊
舉報

量化選股策略：基于卷積神經網絡的股價走勢AI識別與分類。基于價量數據的機器學習量化選股策略。基于價量數據對未來股價走勢進行預測作為一類重要的機器學習量化選股策略，在過去受到了較為廣泛的研究和應用。由于價量數據是跟著交易活動的進行而產生的，其本質上是關于時間的一組序列。因此，為了建模價量數據與未來股價走勢之間的關系，大多數現有研究方法都選擇了使用循環神經網絡等時序模型。然而，時序模型無法對價格和交易量的走勢形態進行有效識別，其表現在一定程度上因此受限。

基于卷積神經網絡的價量數據圖表化選股策略。為了克服時序模型對序列數據建模的不足，本篇專題報告探究了使用卷積神經網絡對圖表化的價量數據與未來股價進行建模。本專題報告以 20 日窗口期的價量數據圖表作為模型輸入，分別對未來 20 日和 5 日的股價走勢進行預測，從而構建出 I20R20 因子和 I20R5 因子。

實證分析。以 2020 年 2 月至 2023 年 2 月作為樣本外回測區間，實證分析結果表明 I20R20 因子和 I20R5 因子的分檔收益顯著。每 20 個交易日進行換倉，雙邊千三計費，I20R20 因子行業市值中性化后在全市場、滬深 300、中證 500、中證 800、創業板中的多頭超額收益率顯著；每 5 個交易日進行換倉，雙邊千三計費，I20R5 因子在行業市值中性化后在全市場、滬深 300、中證 500、中證 800、創業板中的多頭分別對應板塊指數獲得了較為顯著的超額年化收益率。