原创力文档- 1、本文档共13页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
金融工程专题报告
内容目录
一、基于成分股CNN图像识别构建风格轮动模型研究背景4
1.1CNN的发展历程4
1.2CNN的基本结构5
1.3CNN的应用6
1.4研究框架6
二、基于卷积神经网络的全市场量化选股因子6
2.1绘制股票价格图像6
2.2CNN模型架构设计7
2.3训练CNN模型8
2.4实证分析：基于卷积神经网络的全市场量化选股因子9
三、基于成分股CNN图像识别的风格轮动模型11
3.1构造基于风格指数成分股的CNN强信息因子11
3.2实证分析：基于成分股CNN图像识别的风格轮动模型12
四、总结14
参考文献14
风险提示14
图表目录
图表1：LeNet-5网络结构图4
图表2：AlexNet结构图5
图表3：卷积层互相关运算示意图5
图表4：池化层示意图5
图表5：池化层计算示意图5
图表6：带有移动平均线和成交量柱状图的20天窗口OHLC示意图7
图表7：CNN模型架构8
图表8：CNN模型细节8
图表9：基于卷积神经网络的AI识别K线因子基础参数9
图表10：AI识别K线因子分位数年化超额收益9
图表11：AI识别K线因子IC测试表现9
图表12：AI识别K线因子分组净值表现10
图表13：AI识别K线因子多空净值表现10
图表14：沪深300AI识别K线因子分位数年化超额收益10
敬请参阅最后一页特别声明2
金融工程专题报告
图表15：沪深300AI识别K线因子IC测试表现10
图表16：中证500AI识别K线因子分位数年化超额收益10
图表17：中证500AI识别K线因子IC测试表现10
图表18：中证1000AI识别K线因子分位数年化超额收益11
图表19：中证1000AI识别K线因子IC测试表现11
图表20：AI识别K线因子与其他大类因子的相关性11
图表21：全市场AI识别K线因子年化超额收益率分档表现12
图表22：基于成分股CNN图像识别的风格轮动模型基础参数13
图表23：各风格指数历史净值表现13
图表24：各风格指数CNN强信息因子组合所占截面成分股总数比重13
图表25：基于成分股CNN图像识别的风格轮动模型净值表现13
图表26：基于成分股CNN图像识别的风格轮动模型收益表现13
图表27：模型历史信号14
敬请参阅最后一页特别声明3
金融工程专题报告
一、基于成分股CNN图像识别构建风格轮动模型研究背景
在先前的研究中，我们深入挖掘了机器学习在选股和资产配置领域的应用潜力，具体可
以参考国金证券金融工程组的《Alpha掘金系列之九：基于多目标、多模型的机器学习
指数增强策略》、《Alpha掘金系列之十：机器学习全流程重构——细节对比与测试》、
《BETA猎手系列之九：人工智能全球大类资产配置模型》等研究报告。
本研究进一步拓展了这一领域的边界，我们采用了卷积神经网络（CNN）模型，对股票价
格走势图进行更为深入和细致的图像识别分析。我们致力于利用CNN在图像识别领域的
卓越能力，以期超越传统的人工技术分析方法，对风格指数成分股的价格走势进行精准
的图像识别，进而实现对市场风格变化的准确预测。
1.1CNN的发展历
文档评论（0）