量化模型与构建方式 1. 模型名称：民生金工深度学习股票收益预测模型 - 模型构建思路：基于民生金工历史研究框架，结合日频和分钟频输入数据，通过深度学习预测股票收益，并利用滚动阈值生成交易信号[1][10]。 - 模型具体构建过程： 1. 输入端： - 日频特征：51个技术面/情绪面日频特征 + 7个日频基础量价指标 + 10个强化风格因子（通过PPO强化学习生成）[12][22]。 - 分钟频特征：52个分钟频特征（合成至日频）[22]。 2. 基分类器： - 使用2个GRU分别对日频和分钟频特征解码[22]。 3. 市场信息嵌入： - 指数量价数据 + 强化风格偏好生成权重嵌入[22]。 4. 损失函数： - 多期股票收益作为预测目标，多期MSE均值作为损失函数： $\text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2$ 其中，( y_i )为实际收益，( \hat{y}i )为预测收益[22][26]。 5. 信号生成： - 预测值滚动阈值：过去一年预测值的70%分位数作为买入信号，30%分位数作为卖出信号，至少持有10个交易日[30]。 - 模型评价：模型信号分布集中于0轴附近，右偏且尾部极窄，适合波段择时[27][29]。 2. 模型名称：SimStock股票相似度模型 - 模型构建思路：通过自监督学习预测股票相似度，结合静态（行业/风格）和动态（量价规律）相关性，生成股票属性向量[47][52]。 - 模型具体构建过程： 1. 输入数据： - 个股过去40日量价数据 + Barra风格因子 + 资金流指标（形状为( N \times 40 \times 20 )）[52]。 2. 样本构建： - 正样本：( X{\text{正}} = 0.75X + 0.25X_{\text{随机}} ) - 负样本：随机抽取不相关特征[52]。 3. 训练目标： - 最大化正样本相似度，最小化负样本相似度，使用余弦相似度衡量： $\text{相似度} = \frac{\mathbf{v}_i \cdot \mathbf{v}_j}{\|\mathbf{v}_i\| \|\mathbf{v}_j\|}$ 其中，( \mathbf{v}_i )为股票属性向量[52][53]。 4. 输出：个股属性向量用于初始化GRU隐状态，提升收益预测稳定性[57][59]。 - 模型评价：相似度预测更关注行业而非市值，动态性更强[56]。 3. 复合模型：改进后的收益预测模型 - 构建思路：将SimStock输出的股票属性向量初始化GRU隐状态，结合原有日频和分钟频输入[57][59]。 - 评价：改进后模型显著提升预测稳定性，尤其在高波行业中效果突出[60][64]。 --- 模型的回测效果 1. 民生金工深度学习模型： - 全A股平均年化收益：27%，累积超额收益77%（2019-2025）[33]。 - 沪深300成分股：年化收益17.2%，夏普比率1.24，最大回撤8%[38][41]。 - 中证500成分股：年化收益18.8%，夏普比率1.58，最大回撤10.3%[41][43]。 - 中证1000成分股：年化收益18.1%，夏普比率1.24，最大回撤21.3%[43][46]。 2. 改进后模型（加入SimStock）： - 全A股平均年化收益：30%，累积超额收益109%[60]。 - 沪深300成分股：年化收益20.7%，夏普比率1.88，最大回撤8.5%[64][67]。 - 中证500成分股：年化收益23.4%，夏普比率1.97，最大回撤10.8%[68][71]。 - 中证1000成分股：年化收益22.5%，夏普比率1.56，最大回撤20.5%[71][73]。 3. 指数择时效果： - 沪深300：年化收益5.1%，超额收益5.6%[79]。 - 中证500：年化收益12.4%，超额收益12.2%[82]。 - 中证1000：年化收益15.1%，超额收益14.9%[84]。 - 电力设备及新能源行业：年化收益36%，超额收益31.1%[101][103]。 --- 量化因子与构建方式 1. 因子名称：分钟频因子 - 构建思路：从日内分钟级数据中提取量价相关性、波动率、动量等特征[109]。 - 具体因子示例： - 分钟收益率与成交量相关系数 - 尾盘半小时动量 - 下行波动率占比 - 开盘成交占比[109]。 --- 因子的回测效果 1. 择时因子RankIC：周度平均RankIC 4.5%，双周调仓多头年化收益23.2%（费后）[36]。 2. 改进后因子RankIC：周度平均RankIC 4.2%，年化收益21.7%[74][75]。