量化评论：深度学习赋能技术分析.pdf

金融工程专题

目录

1、基于技术指标的因子挖掘3

1.1、直接进行LSTM挖掘：3

1.2、遗传算法挖掘：有效技术因子4

1.3、结合遗传算法有效因子，使用LSTM挖掘：_5

2、基于图形识别的因子挖掘6

2.1、图形的识别：人为状态划分6

2.2、基于状态划分，人工构建历史相似度因子7

2.3、基于状态划分，构建深度学习因子8

2.4、与__相关性分析9

3、综合的深度学习技术因子：__9

4、其他重要补充：与结合11

5、风险提示11

图表目录

图1：开源金工特色LSTM因子挖掘整体流程4

图2：的10分组多空对冲年化收益达24%4

图3：的10分组多空对冲净值较为优异4

图4：开源金工特色遗传算法因子挖掘框架4

图5：对于以2010-2016年数据挖掘出的因子而言，样本外也保持了较好的选股效果5

图6：_的10分组多空对冲年化收益达32%6

图7：_的10分组多空对冲净值较为优异6

图8：相较于，_的绩效更加优异6

图9：示例：上证指数的行情界面7

图10：_的10分组多空对冲年化收益达20.22%7

图11：_的10分组多空对冲年化收益达19.25%8

图12：__的10分组多空对冲年化收益达25.97%8

图13：的10分组多空对冲年化收益达32%9

图14：的10分组多空对冲净值较为优异9

图15：相较于__，的绩效更加优异9

图16：与_相互回归后残差都具备一定的选股效果10

图17：__的10分组多空对冲净值优异10

图18：__与结合后10分组净值表现优异11

表1：__在小市值域内的表现相对更加优异11

请务必参阅正文后面的信息披露和法律声明2/13

金融工程专题

对于技术分析而言，其在选股层面的应用方式常见有三种：（1）从量、价时序

数据出发，构建技术指标选股因子；（2）从图形出发，构建形态选股因子；（3）

从已有的技术择时框架出发，优选个股，如波浪理论等。本篇报告主要围绕前两者，

并结合机器学习，探讨技术分析在选股上的应用。

在本文第一部分，我们主要利用股价数据（开、高、低、收、成交量），以及