- 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)