金融工程专题分析报告：基于LSTM神经网络的择时融合多因子选股策略.pdfVIP

证券研究报告|金融工程专题

2025年11月14日

华福证券

基于LSTM神经网络的择时融合多因子选股策略

摘要

本报告提出了一种多维度指数日频择时框架，旨在通过仓位择时优化绝对收益策略和股指期货策略的绩效。框架基于多维度因子体

系，包括80个分析师预期因子、134个资金流因子、43个高频聚合低频特征，以及2020年后引入的深度学习因子（涵盖日频LSTM

模型和高频分时数据LSTM模型）。

华福证券

深度学习因子预测框架以未来一天收益为目标，利用日度和分时数据捕捉隔夜信号，并采用改进的MADL损失函数进行方向判断。

通过信号融合将三类基础因子与两类深度学习因子聚合，形成最终择时信号，回测结果显示多空策略年化收益达46%（夏普比率

2.37），仅多头策略年化收益23%。此外，策略进一步融合选股模型以增强收益结构。本框架验证了仓位择时的可行性和有效性，

为量化投资提供了稳健的解决方案。

风险提示：本报告所有分析均基于公开信息，不构成任何投资建议；若市场环境或政策因素发生不利变化将可能造成行

业发展表现不及预期；报告采用的样本数据有限，存在样本不足以代表整体市场的风险，且数据处理统计方式可能存在

误差；过往业绩不代表未来表现；历史规律总结仅供参考，或不会完全重演。

2

◼策略逻辑

华福证券◼基础因子：资金流+分析师预期

目◼高频因子聚合低频

◼改进的madl损失函数:lstm在日度跟分钟信号上的择时

◼多模态信号聚合

录◼择时叠加选股策略

◼风险提示

3

uWkXoU8WdYkWfXoPoP7NcM9PsQpPmOmRfQoPrQeRoPrM6MoMqRwMmPsMuOmPtR

多策略择时信号叠加

➢多信号叠加方式

预期数据起始于：2014年

资金流数据起始于：2012年

华福证券

港股通数据起始于：2017年

高频数据聚合：2010年

深度学习lstm因子：2020年

资料：华福证券研究所绘制4

主要框架

➢多维度指数日频择时框架

仓位择时的必要性：对于追求绝对收益策略以及股指期货策略而言，仓位择时都相对比较重要。

华福证券

仓位择时的可行性：日频择时胜率，多头空头均能达到54%，包含多空策略扣费后年化46%，夏普比例2.37，卡尔玛3.58。仅多头策略扣费后也

有23%稳健收益，

多维度因子体系

基础因子：分析师预期80个

扩展因子：资