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

敬请参阅最后一页特别声明 1 基于成分股 CNN 图像识别构建风格轮动模型研究背景 CNN（Convolutional Neural Network，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：1D CNN（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。2D CNN 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)ing Price Trends》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。 金融工程专题报告 敬请参阅最后一页特别声明 2 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 1.1 CNN 的发展历程 .......................................................................... 4 1.2 CNN 的基本结构 .......................................................................... 5 1.3 CNN 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 2.2 CNN 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....................