深度学习系列之二：绝对收益视角下的技术形态专家模型——选股择时与多资产轮动的统一框架

深度学习系列之二：绝对收益视角下的技术形态专家模型——选股择时与多资产轮动的统一框架 2026年03月24日 证券分析师于明明执业证书：S0600525120002yumm@dwzq.com.cn证券分析师周金铭 执业证书：S0600526020002zhoujm@dwzq.com.cn 相关研究 《深度学习系列之一：AI重塑量化，基于大语言模型驱动的因子改进与情绪Alpha挖掘》2026-01-10 ◼本模型相较于传统量化方法实现了三大核心突破：截面与时序能力的统一、形态特征的深度提取以及多周期信息的智能融合。首先，模型突破了截面与时序的能力边界。传统选股因子通常需要经过严格的截面标准化处理以增强横向比较能力，但这一过程不可避免地损失了价格序列在时间维度上的绝对涨跌信息。本模型通过保留原始收益率数值进行训练，使得单一模型同时具备“识别强势股票”与“判断市场方向”的统一框架，这种能力的融合并非人为设计，而是通过IC损失函数训练过程中的“智能涌现”自然形成。其次，模型实现了形态特征的深度提取。GRU模型通过多层门控单元的非线性变换，能够自动学习并提取K线序列中的高阶形态特征，包括但不限于价格动量、波动率变化、成交量价配合等复合信息，其表征能力远超传统技术指标的线性组合。再次，模型构建了多周期信息融合机制。通过独立GRU架构为不同周期数据配置专门化的特征提取模块，实证结果显示日K-GRU与周K-GRU的参数相关性接近零，证明两个子模块确实演化出了高度差异化且互补的特征提取策略。 ◼实证检验表明，模型在截面选股与时序择时两大维度均展现出稳健的超额收益获取能力，且具备出色的跨标的泛化性能。在截面选股维度，单周期日K模型在2018-2026年间的全样本测试中，截面IC均值达到9.14%，对应信息比率为1.00，多头组合相对全A等权基准实现了年化10.73%的超额收益，收益回撤比0.71。在时序择时维度，模型展现出超越传统方法的预测能力。以中证全指为标的，直接推理法下的择时策略全区间年化超额收益达到15.94%至19.92%，收益回撤比在0.75至0.89之间。值得强调的是，中证全指的K线形态从未出现在模型训练样本中，这一零样本推理的成功验证了模型学习到的是具有普适性的价格演变规律。参数敏感性测试显示，在回看窗口30至80个交易日的较宽区间内，择时策略均取得了稳定的正超额收益，不存在明显的参数过拟合问题。标的敏感性测试表明，同一套择时逻辑在沪深300、中证800、中证1000、创业板指等不同风格宽基指数上均取得了显著正超额，验证了模型的跨标的泛化能力。 ◼模型在风格轮动、行业轮动与ETF轮动等资产配置场景中均取得了显著超额收益，其中ETF轮动策略年化超额收益达到16.56%。在风格轮动场景中，国证成长价值轮动策略全区间年化超额收益达到7.42%，巨潮大小盘轮动策略年化超额6.53%，均展现出较好的风险收益特征。行业轮动策略表现更为突出，中信一级行业轮动策略全区间年化超额 12.60%，收益回撤比2.12，最大回撤控制在-5.95%以内。ETF轮动策略取得了最显著的超额收益，5日调仓版本相对万得全A全区间年化超额16.56%，收益波动比1.80，收益回撤比1.57。相较于行业轮动策略，ETF轮动的超额收益更高，这源于ETF池涵盖了行业、主题、风格等多维度标的，提供了更丰富的alpha来源，同时直接基于ETF跟踪指数建模避免了传统ETF轮动方法下行业映射的信息损失。这些实证结果充分验证了技术形态专家模型在不同投资场景下的适应性与稳健性，为量化投资提供了全新的技术路径。 ◼风险提示： 1)模型失效风险。本研究模型基于历史数据训练，历史表现不代表未来收益。当市场微观结构发生重大变化、投资者行为模式显著转变或监管政策调整时，技术形态信号的有效性可能减弱甚至失效，导致策略表现不及预期。2)极端行情风险。在流动性危机、政策突发冲击、系统性风险爆发等极端市场环境下，技术形态分析方法可能失效，模型无法及时识别风险或给出错误信号，导致组合出现较大回撤。3)过拟合风险。深度学习模型存在对训练样本过度拟合的可能性，尤其是在样本外数据分布发生漂移时，模型泛化能力可能下降。尽管本研究通过多维度稳健性测试验证了模型的泛化性能，但实盘应用仍需持续监控并定期重训练。4)交易成本风险。策略回测中设定的交易成本为理想化假设，实际交易中可能面临冲击成本、滑点、印花税调整等额外损耗。高频调仓策略对交易成本更为敏感，实际收益可能低于回测结果。5)流动性风险。部分小市值股票、冷门行业ETF可能存在流动性不足问题，在实际交易中可能无法按预期价格成交，影响策略执行效果。大资金量运作时流动性约束更为显著。 内容目录 2.1.核心数据构建与防范“前视偏差”的样本隔离机制.............................................................82.2.传统误差度量的局限性：以均方误差（MSE）为目标的尝试与反思................................92.3.排序逻辑的智能涌现：以IC为导向的学习范式.................................................................13 3.单周期K线形态识别模型：基于日频数据的市场预测能力验证...............................................15 3.3.1.参数敏感性测试.............................................................................................................293.3.2.标的敏感性测试.............................................................................................................30 4.多周期技术形态“专家系统”的构建与轮动策略应用................................................................32 4.1.多周期信息融合的架构选择：共享参数vs独立参数.........................................................324.2.风格轮动：以成长与价值、大盘与小盘为例.......................................................................354.2.1.成长价值风格轮动.........................................................................................................364.2.2.大小盘风格轮动.............................................................................................................404.3.行业轮动：中信一级行业间动态配置...................................................................................414.4. ETF轮动：直接面向可交易标的的实战策略.......................................................................45 5.1.研究成果总结...........................................................................................................................485.2.模型相较传统量化方法的核心优势.......................................................................................49 图表目录 图1：预测未来5个交易日的均价收益率时，数据划分示意图.......................................................9图2：日K下GRU模型示意图.........................................................................................................10图3：训练集与验证集的MSE Loss...................................................................................................11图4：训练集与验证集的Panel IC......................................................................................................11图5：扩大参数后训练集与验证集的MAE Loss..............................................................................12图6：扩大参数后训练集与验证集的Panel IC..................................................................................12图7：训练集截面IC与训练集验证集Panel IC................................................................................13图8：回测路径合并方式示意图.........................................................................................................17图9：日K的GRU模型截面选股多头超额净值.............................................................................18图10：中证全指与中证全指择时策略1多头净值（个股合成）...................................................20图11：择时策略1相对中证全指多头超额（个股合成）...............................................................20图12：中证全指与中证全指择时策略2多头净值（个股合成）...................................................21图13：择时策略2相对中证全指多头超额（个股合成）...............................................................21图14：中证全指与中证全指择时策略3多头净值（个股合成）...................................................22图15：择时策略3相对中证全指多头超额（个股合成）..................................