基于神经网络的模型框架：机器学习量化模型

机器学习量化模型 基于神经网络的模型框架 2024年7月2日 主题报告 投资要点： 神经网络框架搭建： 本文构建了深度学习网络模型基础框架，旨在利用模型对权益市场的未来价格的上涨概率进行预测，并根据模型结果指导摆动交易决策。研究过程中，模型通过设定自定义损失函数等方法提高模型准确度，模型迭代升级效率以及实现动态权重分配。 山证金工团队 分析师： 黎鹏执业登记编码：S0760523020001邮箱：lipeng@sxzq.com 模型框架与波段交易： 通过结合模型预测结果和波段交易策略，尝试在获取高精度预测的同时，利用波段交易策略的灵活性和适应性来调整投资决策，从而在不同的市场环境中实现更优的收益表现。 研究助理： 崔豪轩邮箱：cuihaoxuan@sxzq.com 回测结果 策略组合在回测期间内的平均年化收益率为4.26%，在2018年与2023年间表现较差，部分年间并未跑赢大盘指数；2024年截止6月初，模型取得24.23%的超额收益。 风险提示：报告内容根据公开数据整理得出，结论基于历史价格信息和统计规律，但二级市场受各种即时性政策以及宏观经济影响易出现统计规律之外的走势，所以相关结论无法代表市场未来走势;模型存在失效风险，由于模型构建、参数估计、假设条件等方面存在的不确定性或错误，可能导致模型预测结果与实际情况产生显著偏离;报告阅读者需审慎参考报告结论 目录 1.研究背景：................................................................................................................................................................41.1综述........................................................................................................................................................................42.轮动策略框架搭建：................................................................................................................................................42.1因子选取....................................................................................................................................................................52.2数据处理....................................................................................................................................................................52.3ETF行业分类............................................................................................................................................................62.4模型的搭建................................................................................................................................................................82.5波段交易....................................................................................................................................................................83.模型结果展示：......................................................................................................................................................104.未来研究方向与总结..............................................................................................................................................165.风险总结..................................................................................................................................................................16 图表目录 图1：模型的输入数据示意图...........................................................................................................................................6图2：k-means与DBSCAN算法分类对比图.................................................................................................................7图3：同心圆数据分布算法分类对比图...........................................................................................................................8图4：蒙特卡洛drop示意图...........................................................................................................................................10图5：策略单位净值走势.................................................................................................................................................11图6：策略单位净值走势对比图.....................................................................................................................................14图7：策略2024年收益拆分情况(元).............................................................................................................................15 表1：策略年化收益.........................................................................................................................................................11 表2：国债利率因子检验成果.........................................................................................................................................12表3：存款利率因子检验成果.........................................................................................................................................12表4：动力煤价格因子检验成果.....................................................................................................................................13表5：策略年化收益-与沪深300对比............................................................................................................................14表6：策略年化收益-与中证500对比............................................................................................................................15 1.研究背景： 1.1综述 在金融市场中，投资者总是在追寻可以提高投资回报和降低风险的方法。行业轮动策略是一种通过在不同经济周期中调整投资组合的行业配置来实现这一目标的有效手段,策略可以根据市场环境的变化，动态调整投资组合，从而在经济周期的不同阶段实现最佳回报。例如，当经济处于扩张阶段时，某些行业如科技和消费品可能表现更好；而在经济衰退阶段，防御性行业如公用事业和医疗保健则可能提供更好的保护。通过准确识别和把握这些行业轮动的机会，投资者可以在不同的市场环境中获取超额收益。 有效实施行业轮动策略需要对经济状况和行业所处周期进行准确预测,任何预测上的偏差都可能会导致策略做出错误的判断，接而导致策略表现不佳。但是，部分研究者发现(Jacobsen,Stangl,&Visaltanachoti,2009)，即使对经济周期进行了完美的预测，行业轮动策略相对大盘指数的超额收益也只有2.3%。尽管相关报告的撰写时间较为久远，但是这也体现出了行业轮动策略的局限性。 本篇文章介绍了一种基于行业ETF的短期行业轮换交易策略框架。在每个交易周期中，框架中所搭建的深度学习模型会根据历史价格，交易量等因子分析市场信息判断出投资哪个行业在下一个周期中最有可能带来超额收益,并且据此发出交易指令。相关ETF会在每个交易周期的开始时进行排名、筛选和购买，并在当前交易期结束时全部清算。策略模型