AI揭开行业轮动的“秘密”：“成绩”的赛道0.1.0版

http://research.stocke.com.cn 1/27 请务必阅读正文之后的免责条款部分 行业轮动研究 报告日期：2020 年 10 月 22 日 “成绩”的赛道 0.1.0 版 ──AI 揭开行业轮动的“秘密” 金融工程研究ᶙ行业轮动研究ᶙ ：邱冠华 执业证书编号：S1230520010003 ：021-80106037 ：qiuguanhua@stocke.com.cn 风险提示：通过 AI 模型构建的策略基于历史数据的统计归纳，模型力求自适应跟踪市场规律和趋势，但仍存失效可能，须谨慎使用。AI 系列模型量化结果，不构成任何投资建议。 相关报告 《回归初心，专注市场——做人人能懂的金融工程》 分析师：邱冠华 联系人：王小青 报告导读 本文借助深度强化学习的方法对 A 股市场 67 个赛道进行轮动跟踪，并进行分组测试。测试结果显示，赛道排名高低与赛道组合净值存在明显相关关系，即排名靠前赛道组合相对于排名靠后赛道具有明显优势。排名前 3、5、10 的赛道组合相对于全赛道等权配置具有明显的超额回报。对于跟踪当前赛道并择优选择以及发现未来“机会”赛道具有重要的参考价值。 报告摘要  市场动态调整需要适应性更强的策略系统 基于 AMH 的理论：(1) 回报和收益之间关系不太可能一直稳定； (2) 相对于经典的 EMH, AMH 认为套利机会一直存在； (3) 投资策略不会一直有效，在一些市场环境下会表现得好，在另一些市场环境下可能就会无效； (4) 由于风险和回报的关系是随着时间变化的，策略不断适应市场才能保证期望收益。基于适应性市场假说，想要开发出能够不断适应市场的策略，强化学习能为我们提供很好的建模框架。  借助深度学习对市场短期状态进行有效识别 强化学习 AI 的基础是 Agent 要尽量清楚地“知道”其当前处于何种状态，该状态应该是其过于遭遇以及未来可能遭遇的状态集中的元素。对于市场短期状态进行有效分类至关重要。本文比对了 NT-CNN、GAF-CNN 以及 LSTM-RNN三种方法，最终实现了 80%精度以上的有效识别。  分组测试结果显示强化学习 AI 优选的赛道相对于等权组合具有明显优势 报告通过对强化学习 AI 赛道优选排序地动态跟踪发现，排名靠前的赛道组合相对于排名靠后的赛道组合以及等权赛道组合具有明显的超额回报优势。对于投资者及时认清和跟进结构化行情的趋势具有重要的指示性意义。同时，AI 对于行业赛道价值函数的动态调整，很大程度上反映了市场整体情绪的动态变化，赛道选择的同时，兼顾了“仓位”择时的重要信息。 证券研究报告 行业轮动研究 http://research.stocke.com.cn 2/27 请务必阅读正文之后的免责条款部分 正文目录 1. 引言 ......................................................................................................................................... 4 2. 研究背景 .................................................................................................................................. 4 2.1. 适应性市场假说 ............................................................................................................................................................ 4 2.2. 强化学习的模型框架 .................................................................................................................................................... 5 3. 基于强化学习的模型搭建 ......................................................................................................... 6 3.1. 识别市场状态 ................................................................................................................................................................ 6 3.1.1. 利用深度学习识别市场状态的可行性 ................................................................................................................................. 6 3.1.2. 基于深度学习的市场状态识别模型 ................................................................................................................................... 10 3.2. 通过强化学习模型总结历史经验教训 ...................................................................................................................... 12 3.2.1. 时间差分法和 Q-learning ..................................................................................................................................................... 12 3.2.2. AI 训练的步骤 ....................................................................................................................................................................... 13 3.2.3. 强化学习的自适应性 ...............................