机器学习择时系列之四：基于卷积神经网络模型的市场择时策略

请仔细阅读在本报告尾部的重要法律声明 1 [Table_Title] 基于卷积神经网络模型的市场择时策略 [Table_Title2] 机器学习择时系列之四 [Table_Summary] 投资要点: ► 量化择时交易策略 深度学习量化交易策略是从海量历史数据中利用统计原理通过数据挖掘和逻辑验证的方式发掘出超额收益来源。相比于传统的线性模型，深度学习模型的表示能力更强，能够学习的特征更多。本文以卷积神经网络为例，介绍深度学习模型在量化择时模型中的应用。 ► 卷积神经网络感受野更宽，非线性表达能力更强，在收益率分类的场景下表现突出 卷积神经网络是一种常用的机器学习模型，相比于传统的全连接神经网络，卷积神经网络通过卷积层和池化层的结构,使得输出的感受野更宽，同时卷积核的权值是共享的，从而有效减少参数数量,卷积神经网络通过卷积层、池化层、全连接层不同块的组合结构设计，使得自动化的特征抽取成为可能，大大增强了神经网络的表示能力（模式识别能力） 相比于传统的线性分类模型和支持向量机等模型表现更加突出。 ► 利用卷积神经网络实现的市场择时策略能够获得明显的超额收益 本文实现了利用指数不同的低纬度特征，例如技术指标数据等，进行特征抽取和收益率分类的模型，并且通过预测的收益率分类结果进行交易，在沪深300指数历史数据上进行回测，结果表明模型表现良好。 风险提示 模型基于对历史数据统计，仅作为投资参考。 评级及分析师信息 [Table_Author] 证券分析师：王祥宇 SAC NO：S1120520080004 证券分析师：杨国平 SAC NO：S1120520070002 研究助理：周游 邮箱：zhouyou2@hx168.com.cn 证券研究报告|量化研究报告 仅供机构投资者使用 [Table_Date] 2022年08月28日 证券研究报告|量化研究报告 请仔细阅读在本报告尾部的重要法律声明 2 19626187/21/20190228 16:59 正文目录 1. 卷积神经网络基本理论 .................................................................................................................................. 4 1.1. 卷积神经网络的定义 ....................................................................... 4 1.2. 卷积神经网络模型 ......................................................................... 4 1.2.1. 卷积神经网络的输入层 .............................................................................................................. 4 1.2.2. 卷积神经网络的卷积层 .............................................................................................................. 4 1.2.3. 卷积神经网络的池化层 .............................................................................................................. 6 1.2.4. 卷积神经网络的全连接层 ........................................................................................................... 6 1.3. 卷积神经网络模型的优势 ................................................................... 6 2. 基于卷积神经网络模型的择时建模 ................................................................................................................ 6 2.1. CNN模型合理性的讨论 ..................................................................... 7 2.2. 基于FSL-LR模型的策略设计思路 ............................................................ 7 2.2.1. 建模方法 ................................................................................................................................... 7 2.2.2. 预测方法 ................................................................................................................................... 8 2.2.3. 数据及参数选择 ......................................................................................................................... 8 2.3. 策略具体过程及回测分析 .................................................................. 10 2.3.1. 技术指标与股票涨跌趋势的相关性分析 .....................................................................................10 2.3.2. 卷积神经网络模型的优化 ..........................................................................................................13 2.3.3. 7:3数据划分训练模式分析 .......................................................................................................15 2.3.4. CNN模型评估 ............................................................................................................................15 2.4. 择时策略讨论 ............................................................................ 16 3. 总结...............................................................................................................................................................16 4. 风险提示 .......................................................................................................................................................17 证券研究报告|量化研究报告 请仔细阅读在本报告尾部的重要法律声明 3 19626187/21/20190228 16:59 图目录 图1 CNN原理示意图 ........................................................................... 4 图2 卷积操作过程示意图 ...................................................................... 5 图3 SIGNAL_MACD指标与沪深300股价趋势图 .................................................... 11 图4 CCI指标与沪深300股价趋势图 ............................................................ 11 图5 RSI指标与沪深300股价趋势图 ............................................................ 12 图6 ADX指标与沪深300股价趋势图 ............................................................ 13 图7 CNN模型7:3数据划分训练模式累计收益 .................................................... 15 图8 CNN模型7:3数据划分训练模式累计超额收益率 .............................................. 15 图9 CNN模型的ROC曲线图 .................................................................... 16 图10 CNN模型的PR曲线图 ..................................................................... 16 表目录 表1 14个技术指标及其含义 .................................................................... 9 表2 14个技术指标的权重值 ................................................................... 10 表3 随机断开输入神经元比例对回测结果的影响 ................................................. 13 表4 单个训练批次样本数对回测结果的影响 ..................................................... 14 表5 训练批次对回测结果的影响 ............................................................... 14 表6 优化器学习率对回测结果的影响 .............................................