銀河金工組合優化系列報告：時序截面三層深度學習模型預測收益風險信號.pdf

上傳者：羅***
時間：2026/06/10
熱度：29
0人點贊
舉報

本報告構建了一種基于深度學習的指數增強策略框架，旨在解決傳統靜態因子在風格切換時失效的問題。框架將指數增強問題拆分為信號預測與組合優化兩大環節。在信號預測端，報告構建了包含K線形態、動量趨勢、風險波動及量價資金等多維特征的體系，并對不同特征組采用差異化預處理（G1組保留原始方向，G2/G3組進行Z-score標準化）。預測模型采用TimeEncoder-GraphSAGE-MLP三重特征提取架構：TimeEncoder通過Transformer捕捉時序長距離依賴；GraphSAGE通過市場統計驅動的圖網絡聚合鄰居節點信息，識別截面聯動；MLP輸出超額收益、Sharpe比率和最大回撤三個多任務預測標簽。損失函數結合RankIC與MSE，并通過滾動訓練、早停等機制優化。在組合優化端，策略在均值-方差優化基礎上，引入個股倉位、跟蹤誤差等硬約束及風險中性懲罰等軟懲罰，將預測信號轉化為動態權重。回測結果顯示，該框架在滬深300指數增強策略中實現了顯著的年化超額收益，且最大回撤低于基準；在科創50指數增強策略中也獲得了正向超額收益，驗證了深度學習模型在捕捉Alpha和控制風險方面的有效性。其中，最大回撤預測效果優于Sharpe比率，主要源于風險指標較強的自相關性。