DeepTiming：日内信息与相似度学习驱动择时

2025年07月31日 Deep Timing：日内信息与相似度学习驱动择时 ➢根据民生金工历史研究框架搭建深度学习股票收益预测模型进行个股择时建模，效果显著。民生金工已经发布过多篇深度学习相关报告，从之前的报告中我们已经总结出一套适合如今市场环境的深度学习股票收益预测框架。基于此框架，我们建立股票混合收益预测模型，模型包含日频输入与分钟频输入，利用预测值取历史滚动阈值输出交易信号。近5年多的时间中，对于等权持有每一支股票，策略获得77%的累积超额收益，集中在市场下跌的2022-2023年；且在市场上涨的2020-2021年并没有跑输市场。 分析师叶尔乐执业证书：S0100522110002邮箱：yeerle@mszq.com ➢SimStock根据自监督学习预测股票相似度，同时考虑股票静态与动态相关性。所谓自监督学习，即预测目标并不从外部而来，而是通过数据本身的结构生成，利用数据增强技术自动构建正样本和负样本，即对于每只股票而言，较为相关的股票与不相关的股票。整个模型采用了对比学习的思想，将股票的时序信息加入相似度衡量，使得行业与风格不再是股票分类的唯一标准。结果表明，与一支股票相似度最高的股票大都是相同一级行业的股票，但是在市值上并没有明显的相似规律，且在二级行业上也没有明显规律，属性信息日频输出，更加鲁棒。 分析师韵天雨执业证书：S0100524120004邮箱：yuntianyu@mszq.com 相关研究 1.量化周报：三维择时框架继续乐观-2025/07/272.基金分析报告：基金季报2025Q2：杠铃策略成为主流配置-2025/07/223.量化周报：沪深300站稳4000点-2025/07/204.量化周报：阻力已突破，空间打开-2025/07/135.深度学习因子月报：Meta_RiskControl因子6月实现超额收益2.4%-2025/07/09 ➢利用SimStock输出的属性信息初始化基模型隐状态，预测效果进一步提升。改进后模型在近5年多的时间中，对于等权持有每一支股票获得109%的累积超额收益，平均每只股票年化收益30%，跑赢个股14.8%（费前）；若基准为50%仓位，则年化超额收益29%，在所有股票的所有样本外回测期内，日度判断胜率为57.4%，持仓几率为45.7%，平均每支股票年化换手率（双边）为26.2倍。在成分股内，沪深300好于中证500好于中证1000，可能是小盘股上换手率不够导致的。 ➢将预测值合成至指数依然有效，高波行业中效果明显。在个股择时有了一定成效后，我们尝试利用个股信号合成指数信号。首先我们根据流通市值计算指数内合格成分股的权重，随后将每支股票的收益预测根据权重加权合成至指数收益预测。沪深300年化收益5.1%，超额收益5.6%；中证500年化收益12.4%，超额收益12.2%；中证1000年化收益15.1%，超额收益14.9%。同样方法论在不同行业中效果差别较为明显，在红利低波行业中较差，而在高波板块中较好，表现最好的电力设备及新能源行业年化收益36%，平均每年跑赢行业31.1%。价值/成长轮动策略年化收益3.3%，超额收益4.2%。 ➢信号应用范围广泛，可对多种产品进行增强。择时策略可以直接用于个股波段策略以博取高收益：对于某些TMT，科技类主动型基金，可以根据择时信号对关注标的择时交易，避免回撤，从而博取更加稳定的组合表现；合成至指数后的择时信号可以用于指数增强等产品的仓位控制：比如中证500指数每年通过择时跑赢基准12%，若假设现金仓位可在90%~100%间波动，则适当的择时策略可提升组合年化收益1%左右；择时信号在IC期货中会也有一定效果，但由于多空收益最大回撤较大，建议控制仓位。 ➢风险提示：量化模型基于历史数据，市场未来可能发生变化，策略模型有失效可能。 目录 1基于中高频信息的股票收益率预测模型搭建..............................................................................................................31.1民生金工深度学习框架：输入、训练与输出................................................................................................................................31.2基于中高频信息的收益预测与择时应用.........................................................................................................................................62 SimStock股票相似度刻画与模型提升..................................................................................................................122.1 SimStock模型刻画股票相似度.....................................................................................................................................................122.2基于股票属性嵌入的收益预测模型...............................................................................................................................................143微观至中观的宽基与行业指数择时效果..................................................................................................................193.1宽基指数择时.....................................................................................................................................................................................193.2行业及风格指数择时........................................................................................................................................................................234总结与思考............................................................................................................................................................265风险提示...............................................................................................................................................................276附录......................................................................................................................................................................286.1分钟频因子列表与计算方式............................................................................................................................................................28插图目录..................................................................................................................................................................29表格目录..................................................................................................................................................................29 1基于中高频信息的股票收益率预测模型搭建 本篇报告我们基于民生金工深度学习框架进行个股择时策略研究。信号可用于个股波段择时，或并合成至指数后进行指数择时。 1.1民生金工深度学习框架：输入、训练与输出 从之前发布的系列报告中我们已经总结出一套适合如今市场环境的深度学习股票收益率预测框架。该框架由3部分构成：输入端，我们利用强化学习输出风格因子以计算近期市场的风格偏好；训练端，我们采用元学习纳入最新市场数据且对样本外预测的输入与输出进行微调，动态适应市场环境；输出端，我们利用带约束的优化网络对于输出y进行约束，以达到特定目的，如控制输出的风格，行业暴露等。 输入端：《深度学习如何自适应市场状态以提升模型稳健性？》20250127《深度风险模型与强化风险模型的构建及组合优化》20250506训练端：《从增量学习到元学习：深度学习训练新框架》20240202输出端：《深度风险模型与强化风险模型的构建及组合优化》20250506 具体的，强化学习风格因子部分来自《深度风险模型与强化风险模型的构建及组合优化》。为了更加准确地刻画市场风格，我们利用PPO强化学习模型预测更加具有解释度，且相比深度学习更加稳健的风险因子。将传统风格因子与近期个股量价数据输入PPO模型，奖励函数为稳定性惩罚后的市场收益拟合优度，预测得到强化风格因子后，取最近市场上涨幅度最高的前10%股票，并计算这些股票最近的强化风格均值作为AI市场偏好。 资料来源：民生证券研究院绘制 训练端的元增量学习来自《从增量学习到元学习—深度学习训练新框架》。元增量学习首先建立在增量学习的背景之上，利用过去一段时间的增量数据来更新基模型，不断让模型纳入新的市场规律，对未来的预测产生影响。在此之上进一步用数据适应器适应增量数据并用MAML适应基模型，以避免增量数据与历史数据的联合分布差异过大导致的模型局部优化问题。 资料来源：民生证券研究院绘制 最后，在对模型输出的优化上，我们可以利用带约束的LinSAT深度神经网络在输出层中进行优化。LinSAT层设计了一个可微且无参数的轻量级层，用于将正线性约束编码到神经网络的输出中，通过将正线性约束视为边际分布，实现了端到端的可微训练，确保了约束的严格满足。进一步地，我们可以将对于行业，风格，个