量化模型与构建方式 1. 模型名称：基于深度学习的行业轮动策略模型 - 模型构建思路：利用深度学习模型预测ETF的未来价格走势，并结合波段交易策略动态调整投资组合，以获取超额收益[2][9][10] - 模型具体构建过程： 1. 数据处理： - 数据时间范围为2015年1月1日至2024年6月14日，剔除非交易日数据，仅保留周五收盘价作为训练数据[12][15] - 输入数据矩阵 $X_t$ 的维度为 $N \times (l + m)$，其中 $l$ 为ETF市场表现因子数量，$m$ 为宏观经济因子数量，目标标签 $y_{t+1}$ 为二进制向量，表示下一周价格是否上涨[12] - 数据归一化处理，均值为零，方差为单位值[15] 2. 行业分类： - 使用DBSCAN算法对ETF进行行业分类，自动识别数据中的噪声点并排除，避免传统k-means算法对非线性分布数据的局限性[16][17][19] 3. 模型搭建： - 使用循环神经网络（RNN）构建模型，包含四个内部层，采用ReLU激活函数和dropout技术缓解梯度消失和过拟合问题[22] - 模型通过捕捉时间序列数据的动态变化，预测ETF下一周的价格走势，预测结果通过Sigmoid函数转化为概率值[22] - 自定义损失函数结合近期资本收益和亏损，优化动态模型[22] 4. 波段交易策略： - 生成“买入”信号：基于深度学习模型预测结果，使用ROC曲线分析中的Youden's J指数优化门限，计算公式为： $J = \frac{TP}{TP+FN} + \frac{TN}{TN+FP} - 1$ 其中，$TP$ 为真阳性，$FN$ 为假阴性，$TN$ 为真阴性，$FP$ 为假阳性[25][26] - 清空组合：每周清算所有持仓，记录资本利得，用于后续模型迭代[26] - 使用蒙特卡罗dropout技术量化交易信号置信度，通过多次预测生成分布，分析预测值的统计分布，确保高置信度资产优先交易[29] 5. 动态权重分配： - 根据基金的历史表现（如胜率、动量）动态调整权重，公式为： $w_i = 1 + \text{胜率}_i + \text{动量}_i$ 通过动态调整权重，提升策略的灵活性和适应性[38] - 模型评价： - 模型在2024年表现优异，主要得益于动态权重分配和能源板块的良好行情[43] - 但模型在某些行业（如医药ETF）预测表现较差，原因是宏观因子与行业相关性不足，未来可通过引入行业特定因子优化[34][36] --- 模型的回测效果 1. 基于深度学习的行业轮动策略模型 - 年化收益： - 平均年化收益率为4.26%[40] - 2024年年化收益率为24.23%，超额收益为17.58%（相较沪深300）[41] - 2024年年化收益率为24.23%，超额收益为34.11%（相较中证500）[43] - 信息比率（IR）： - 2024年相较沪深300的IR为1.12，相较中证500的IR为1.95[41][43] - 最大回撤： - 2024年最大回撤为5.46%（相较沪深300），1.15%（相较中证500）[41][43] --- 量化因子与构建方式 1. 因子名称：ETF市场表现因子 - 因子构建思路：通过价格、成交量、价格波动等指标反映ETF的市场表现[11] - 因子具体构建过程： - 提取每只ETF的价格、成交量、每日价格波动等数据[11] - 数据在离散时间点采样，仅保留周五收盘价，剔除非交易日数据[12][15] - 数据归一化处理，确保均值为零，方差为单位值[15] 2. 因子名称：宏观经济因子 - 因子构建思路：通过国债收益率、人民币货币指数、存款利率等宏观经济指标反映市场环境[11] - 因子具体构建过程： - 提取10年期国债收益率、人民币货币指数、存款利率等数据[11] - 对因子进行T检验，评估其对行业预测的显著性[36][37] - 动力煤价格因子在能源行业中表现显著，但未被纳入框架以避免增加运行时间[38] - 因子评价： - 宏观因子对部分行业（如能源）预测效果较差，未来可引入更多行业特定因子优化模型[36][38] --- 因子的回测效果 1. ETF市场表现因子 - T检验结果：未提供具体数值 2. 宏观经济因子 - 国债利率因子： - 2017-2019年间对能源行业预测有一定帮助，T检验值分别为2.68、4.16、-1.76，P值分别为0.71、0.00、0.08[37] - 其他年份无显著性[37] - 存款利率因子： - 所有年份均无显著性，P值均大于0.5[37] - 动力煤价格因子： - 对能源行业预测显著，2017年T检验值为-1.99，P值为0.046；2023年T检验值为2.06，P值为0.040[38]