量化模型与构建方式 1. 模型名称：多元CNN-LSTM预测模型 - 模型构建思路：结合卷积神经网络（CNN）和长短期记忆网络（LSTM）的优势，通过多元时间序列分析技术对并行金融时间序列（如行业指数）进行联合预测，考虑序列间的动态相关性[11][12] - 模型具体构建过程： 1. 输入层：对齐多个时间序列数据并按时间顺序排列[14] 2. 卷积层：使用64个过滤器（卷积核大小=2）提取特征，激活函数为ReLU[20] 3. 池化层：窗口大小为（2,2）[20] 4. LSTM层：两层隐含单元（各128个），处理时序依赖关系[20] 5. 全连接层：输出预测值，损失函数为均方根误差（RMSE）： $R M S E={\sqrt{\frac{1}{n}\sum_{i}({\hat{y_{i}}}-y_{i}\,)^{2}}}$ [20] - 模型评价：对TMT行业预测精度较高，消费类行业误差较大；分组训练后预测效果提升[25][32] 2. 模型名称：分组多元CNN-LSTM - 模型构建思路：将申万一级行业按投资属性分为6组（如消费及医药、大科技等），每组独立训练子模型以降低复杂度[26][27] - 模型具体构建过程： 1. 行业分组：消费及医药（9行业）、上游资源及材料（5行业）、高端制造（6行业）、地产及基建（4行业）、大科技（4行业）、大金融（2行业）[27] 2. 子模型结构：每组采用与主模型相同的CNN-LSTM架构，但参数独立训练[28] 3. 预测整合：各子模型输出组内行业预测值，最终合并为全行业预测结果[28] --- 量化因子与构建方式 1. 因子名称：T+5行业收益率预测因子 - 因子构建思路：基于多元CNN-LSTM模型对行业指数未来5日收益率的预测值，作为行业轮动信号的输入[35] - 因子具体构建过程： 1. 调整模型超参数：时序回看窗口扩展至20天，LSTM隐含单元增至256个[34] 2. 使用扩展窗口训练（2014年3月至调仓时点前数据），每季度重新训练[35] 3. 对T+5预测值排序，选取前5名行业作为多头组合[35] --- 模型的回测效果 1. 多元CNN-LSTM（全行业）： - 测试集预测误差范围：1.56%~3.30%（T+1）[23] - TMT行业误差最低（如电子1.56%），消费类较高（如食品饮料3.25%）[23] 2. 分组多元CNN-LSTM： - 分组后测试误差改善：电子从1.56%降至1.78%，食品饮料从3.25%降至2.68%[32][33] - T+5预测误差较T+1显著上升，但仍在可接受范围[37] 3. 行业轮动策略： - 年化收益：15.6%（基准3.6%），年化超额收益11.6%[38] - 最大回撤：-27.1%（基准-36.3%），夏普比率0.7（基准0.27）[38] --- 因子的回测效果 1. T+5收益率预测因子： - 行业轮动组合IR：1.01，最长回撤修复时间248天[38] - 分组后因子稳定性提升，但T+5预测误差波动增大[37]