Beta猎手系列之十：个股K线图形态AI识别构建市场风格预测-240624-国金证券-15页.pdfVIP

基于成分股CNN图像识别构建风格轮动模型研究背景

CNN（ConvolutionalNeuralNetwork，卷积神经网络）是一种深度学习模型，它在图像识别、视频分析和自然语言

处理等领域中非常流行和有效。CNN模型通常包含以下几个关键组件：卷积层、激活函数、池化层、全连接层。CNN

模型的训练过程通常包括前向传播和反向传播两个阶段。

CNN可以根据处理的数据维度分为1D（一维）和2D（二维）两种类型：1DCNN（一维卷积神经网络）：主要用于处理

时间序列数据，例如时间序列、音频信号或文本数据。2DCNN是最常见的CNN类型，主要用于处理具有二维结构的

数据，如图像、视频帧或高分辨率地图。采用图像化方法来展现整个数据矩阵，可以增强统计模型识别复杂模式的

能力。

本研究框架基于《(Re-)Imag(in)ingPriceTrends》一文，使用该论文中绘制股票价格图表的方法，即OHLC图+移

动平均线+成交量柱状图，同时还借鉴了论文中的二分类标签分类方法：如果预测的收益率为正值，则图像标签为1；

如果预测的收益率为负值或零，则图像标签为0。

基于卷积神经网络的全市场量化选股因子

本研究设计了一个基于卷积神经网络（CNN）的模型，用于预测滚动20天窗口股票价格的未来走势。模型利用两个

卷积层自动提取时间序列的复杂特征，每层后接最大池化层以降低特征维度。处理后的特征图被展平并送入全连接

层，最终输出两个概率值，分别代表股票未来价格上涨和下跌的可能性。最终我们以股票上涨的概率作为因子进行

选股。

我们定义“AI识别K线”因子为使用包含过去20日价量数据的改进后的OHLC图表来预测未来20个交易日收益情况

的因子，并以20个交易日为周期进行调仓。从分位数组合表现上看，AI识别K线因子单调性较好。从IC测试表现

来看，AI识别K线因子在全市场的RankIC均值为5.52%，效果较为显著。从因子分组净值表现上看，AI识别K线因

子单调性较好，多头端和空头端均表现出色，年化超额收益率分别为5.36%和-12.14%。从因子多空净值表现上看，

AI识别K线因子的多空净值在2021年后迎来大幅增长，多空组合年化收益率达到了18.94%，夏普比率为1.79，表

现出色。

另外我们还对AI识别K线因子在沪深300、中证500、中证1000股票池中进行了因子测试。从IC测试表现来看，AI

识别K线因子在沪深300、中证500、中证1000股票池中的RankIC均值分别为3.89%、3.96%、4.85%。由下面的图

表我们可以发现，不论从RankIC均值还是因子单调性表现来说，AI识别K线因子在中证1000股票池中的表现远远

好于沪深300和中证500股票池。

基于成分股CNN图像识别的风格轮动模型

本节将基于前文构建的AI识别K线因子，进一步构造基于风格指数成分股的CNN强信息因子，从个股的微观视角出

发，探索其与风格指数的联动关系，旨在构建出更为精准且高效的风格轮动策略。我们设定了2018年1月9日至

2024年5月17日为回测时间段，每20个交易日进行调仓，且以各风格指数的等权持有组合作为我们的业绩比较基

准。回测结果显示，策略超额净值实现了12.38%的年化收益率和0.89的夏普比率，同时最大回撤率控制在-6%左右，

胜率为64.94%。根据模型最新一期信号，建议6月配置小盘成长指数，预期会相对基准组合取得超额收益。

风险提示

以上结果通过历史数据统计、建模和测算完成，历史规律不代表未来；在市场环境发生变化时，模型存在失效的风

险；策略依据一定的假设通过历史数据回测得到，当交易成本或其它条件改变时，可能导致策略收益下降甚至出现

亏损。

敬请参阅最后一页特别声明1

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

1.2C