量化專題報告：基于可見性圖嵌入的滬深300深度學習增強策略.pdf

量化專題報告：基于可見性圖嵌入的滬深300深度學習增強策略。可見性圖可以刻畫量價時序性結構特征。可見性圖是一種將時間序列數據 轉化成一張圖結構的方法。抽取可見圖的結構特征并訓練分類器的方法被廣泛 用于時間序列數據的分類問題。可見圖轉化為復雜網絡后，復雜網絡的結構包 含了時間序列中局部或者全局的波動率與趨勢信息，多篇研究利用可見性圖及 其特征進行時序數據的預測并取得了顯著效果。簡單的可見性圖結構特征可以 構造弱有效的選股因子，日度 IC 均值 0.03。

利用結構向量法提取圖結構特征，可以刻畫股票的潛在屬性。盡管人為定 義計算的可見性圖結構特征已經被證實過對時序數據有一定的分類效果，我們 選擇用一種無監督學習的方式來抽取復雜網絡的圖結構特征——結構向量法。 與傳統的圖嵌入方法相比，struc2vec 更加高效，且在多個數據集上分類更加精 確，并可以應用于大規模圖的嵌入。用結構向量法提取的圖結構特征對滬深 300 的股票進行聚類，在多種風格因子上有顯著分類效果，在周期行業上區分 效果相對不明顯。

利用二階段循環神經網絡與跨資產注意力網絡構造預測模塊，從而納入潛 在屬性及股票間的相互關系。兩階段注意力循環神經網絡 DA-RNN 可以通過按 照時間順序上不斷訓練結構性信息的模型結構，提取圖結構嵌入特征，在生成 股票因子表示時納入股票的潛在信息。跨資產注意力網絡 CAAN 可以對股票間 的相互關系進行建模，計算 batch 內因子表示的相似度，作為注意力機制的來 源。最終通過 sigmoid 函數，以下一個交易日股票價格是否上漲為因變量進行 建模，輸出股票上漲概率。利用混淆矩陣來衡量模型準確率，驗證集內準確率 68%，精確率達 70%。

日頻模型選股和擇時效果顯著，合成股指信號依然有效。將模型預測的個 股日度上漲概率作為日頻選股因子 struc_learning，因子日度 IC 均值 0.16， ICIR1.2；中性化后因子表現有所下降，但選股效果依然顯著。日度調倉多頭組 合年化超額收益 95.6%，信息比率 8.0，但策略容量較低。增加持股數量構建 滬深 300 增強組合，組合平均持股數量 137 只，策略容量顯著上升，年化超額 收益 46.7%，信息比率 5.87。用個股信號合成股指日度漲跌概率信號，并構建 滬深 300 倉位擇時策略，年化超額收益 13.3%，信息比率 1.47，預測漲跌準確 率 64%。