基于卷积神经网络的 ETF 轮动策略

基于卷积神经网络的ETF轮动策略主要围绕以下要点展开：

1. 策略目标与底层标的

• 旨在调整早期基于卷积神经网络的ETF轮动策略，以Wind行业主题指数作为底层标的，测算轮动效果。Wind行业主题指数包含行业、题材和热门概念类，截至2026年1月底合计超1000只，覆盖范围较广 【1】 【2】 。

2. 核心逻辑：价量数据图表建模

• 通过构建标准化价量数据图表作为模型输入，图表包含20日窗口期的开、高、低、收价格及移动平均线（如MA5、MA10），用于卷积神经网络对价量数据与未来股价走势的建模 【2】 。

3. 指数池选择与收益特征

• 全指数池回测收益相对较高，其中行业指数池收益高于题材指数和主题指数 【1】 。
• 换仓方式上，次日收盘价换仓的收益相对较高，但波动率也较大 【1】 。

4. 样本外表现与超额收益

• 团队早期发布的卷积神经网络ETF轮动策略，样本外持续跟踪至今，相对于Wind偏股混基金指数已实现较明显的超额收益 【1】 。
• 截至2025年1月3日，该策略的ETF组合净值为3.12（具体长期表现可结合净值走势图表进一步分析） 【11】 。

5. 策略优化方向

• 后续研究可能结合指数成分股聚合的Alpha因子、ETF流动性筛选（如近20日日均成交额大于2000万）等方式，进一步提升策略的可投资性与稳定性 【3】 【4】 【9】 。

整体来看，该策略通过深度学习技术挖掘价量数据规律，结合指数池优化和换仓方式选择，在行业主题ETF轮动中展现出获取超额收益的潜力，但需注意波动率较高的风险。