基于成分股CNN图像识别构建风格轮动模型研究

研究背景与框架

本研究基于卷积神经网络（CNN）构建风格轮动模型，旨在利用CNN在图像识别领域的优势，对股票价格走势图进行深入分析，以预测市场风格变化。研究框架借鉴了《(Re-)Imag(in)ing Price Trends》一文，采用OHLC图+移动平均线+成交量柱状图进行股票价格分析，并采用二分类标签（收益率为正为1，否则为0）进行预测。

基于卷积神经网络的全市场量化选股因子

本研究设计了一个基于CNN的模型，利用两个卷积层自动提取时间序列的复杂特征，并输出股票未来价格上涨和下跌的可能性。模型以股票上涨概率作为因子进行选股，构建了“AI识别K线”因子。

实证分析

• 分位数组合表现：AI识别K线因子单调性较好。
• IC测试表现：在全市场RankIC均值为5.52%，效果显著。
• 因子分组净值表现：多头端和空头端均表现出色，年化超额收益率分别为5.36%和-12.14%。
• 因子多空净值表现：自2021年后大幅增长，多空组合年化收益率为18.94%，夏普比率为1.79。
• 股票池测试：在中证1000股票池中表现优于沪深300和中证500。
• 相关性分析：AI识别K线因子与其他大类因子的相关性不高，是较好的补充信息维度。

基于成分股CNN图像识别的风格轮动模型

本研究基于AI识别K线因子，构造了基于风格指数成分股的CNN强信息因子，以探索个股与风格指数的联动关系，构建风格轮动策略。

构造方法

• 计算AI识别K线因子并分组。
• 统计风格指数成分股在AI识别K线因子上的分组分布情况。
• 引入权重系数，反映极端表现股票的相对重要性。

实证分析

• 各风格指数CNN强信息因子组合所占截面成分股总数比重较为稳定。
• 回测结果显示，策略年化收益率为12.38%，夏普比率为0.89，最大回撤率为-6%，胜率为64.94%。
• 建议配置小盘成长指数，预期相对基准组合取得超额收益。

总结

AI识别K线因子在全市场中具有一定的选股能力，展现良好的单调性和稳定的预测能力。基于成分股的CNN强信息因子能够对市场风格变化进行较为精准的预测，为投资者提供有力的决策支持。未来研究将进一步完善模型，挖掘更多有效信息，推出可供投资的风格轮动策略。