金融工程研究报告：多元时序预测在行业轮动中的应用

证券研究报告 | 金融工程专题 http://www.stocke.com.cn 1/13 请务必阅读正文之后的免责条款部分 金融工程专题 报告日期：2025 年 08 月 11 日 多元时序预测在行业轮动中的应用 ——金融工程研究报告 核心观点 我们将多元 CNN-LSTM 预测模型应用于申万一级行业指数，通过行业分组使用多个并列模型实现指数预测，构建了组合年化收益约 15.6%的周频行业轮动信号。 ❑ 多元时间序列模型应用于股票指数预测模型 考虑到并行金融时间序列数据间的相互作用，我们将多元时间序列分析技术纳入以神经网络为基础的集成模型，来实现相应的时序预测。我们使用多元 CNN-LSTM 实现申万一级行业指数预测，回测显示预测精度基本达到了价格预测的需求，测试集上的预测误差在 1.56%到 3.30%范围内。整体上来看，TMT 相关行业的预测误差较小，而消费类行业的预测误差较大；测试集预测误差相较于训练集的增加幅度并不明显，仅在美容护理、石油石化、环保等行业有较明显的增量。 ❑ 行业指数分组训练，提升多元时序预测精度 对于多元时序预测模型，训练数据样本数量与时间序列的数量/行业数量无关，而与交易日的数量有关；另一方面，时间序列数量越多，模型越复杂，模型内参数难以实现充分学习。我们对申万一级行业指数进行归类，从而将行业指数分为几组，对每个组内的行业指数共同构建一个预测模型。 我们按照投资属性将一级行业做如下归类（不含综合）：消费类行业，周期性行业，大科技行业，和大金融行业。考虑组内行业数量进行了拆分与合并，最终得到消费及医药、上游资源及材料、高端制造、地产及基建、大科技行业，和大金融行业 6 个组。 相较于全部一级行业使用同一个模型进行预测，分组训练对原来预测精度低的行业表现有所提升。整体上来看，对一级行业进行分组并训练不同的 CNN-LSTM子模型的预测效果更好。 ❑ 利用多元 CNN-LSTM 预测模型构建周频行业轮动信号： 我们使用多元 CNN-LSTM 对指数预测值来估计其未来一周的收益率，每隔 5 个交易日选取预期收益率最高的前五名行业等权配置。从 2018Q3 开始每季度初重新训练并列子模型，训练数据使用扩展窗口，包含从 2014 年 3 月到训练时点之前的所有历史数据。行业轮动组合年化收益达 15.6%，年化超额收益约 11.6%，最大回撤等风险收益特征较申万一级行业等权（不含综合）基准均有明显提升。 ❑ 风险提示 本报告构建的策略框架中所提及的交易均指模拟交易，回测结果是基于历史数据的统计归纳，收益风险指标不代表未来，模型力求自适应跟踪市场规律和趋势，但仍存失效可能，不构成投资建议，须谨慎使用。AI 模型发生参数微调和数据变动都可能导致性能和结果波动。 分析师：陈奥林 执业证书号：S1230523040002 chenaolin@stocke.com.cn 相关报告 1 《8 月边际谨慎：强个股，弱指数》 2025.08.10 2 《反内卷行情尚未结束》 2025.08.06 3 《继续看多大宗商品》 2025.08.05 金融工程专题 http://www.stocke.com.cn 2/13 请务必阅读正文之后的免责条款部分 正文目录 1 多元时序预测模型 ....................................................................................................................................... 4 1.1 多元时间序列分析 ............................................................................................................................................................. 4 1.2 利用多元 CNN-LSTM 实现指数预测 ............................................................................................................................... 4 2 多元时序预测在 A 股行业指数的实证 ...................................................................................................... 6 2.1 多元 CNN-LSTM 实现行业指数预测 ............................................................................................................................... 6 2.2 行业指数归类 ..................................................................................................................................................................... 8 2.3 结合分组实现行业指数预测 ............................................................................................................................................. 9 3 周频行业轮动实测 ..................................................................................................................................... 11 3.1 多元时序预测 T+5............................................................................................................................................................ 11 3.2 行业轮动模型实测 ........................................................................................................................................................... 11 4 风险提示 .....................