量化模型与构建方式 1. 模型名称：AI看图的卷积神经网络模型 - 模型构建思路：基于价量数据图表，通过卷积神经网络（CNN）对股价未来走势进行预测[17][21] - 模型具体构建过程： - 输入：标准化价量数据图表，包含60个交易日窗口期的价量数据，分为三部分：K线图（开、高、低、收价格）、成交量、MACD信息[17] - 网络结构：采用经典的ResNet残差卷积结构，输入为标准化价量数据图表，输出为未来股价涨跌[21] - 优化方法：使用Adam优化器对模型进行训练，并通过验证集确定最优的早停（Early Stopping）时点[21] - 卷积运算公式： $\mathrm{OH}={\frac{\mathrm{H}+2\mathrm{P}-\mathrm{FH}}{\mathrm{S}}}+1, \quad \mathrm{OW}={\frac{\mathrm{W}+2\mathrm{P}-\mathrm{FW}}{\mathrm{S}}}+1$ 其中，H和W为输入大小，FH和FW为卷积核大小，P为填充大小，S为步幅[47] - 模型评价：通过卷积神经网络，能够有效识别价量数据图表中价格和交易量的走势形态，并与未来股价进行建模[50] 2. 模型名称：循环神经网络（RNN） - 模型构建思路：基于价量数据的时间序列特性，使用RNN捕捉序列数据的演进关系[24][26] - 模型具体构建过程： - 输入：包含价格和交易量的二维序列数据[26] - 网络结构：通过递归方式处理序列数据，隐藏层状态（Hidden State）在时间步之间传递，最终输出最后一个隐藏层状态$h_n$，并通过前馈神经网络降维后与未来股价走势建模[26] - 模型评价：能够捕捉价量序列中的高维信息，但对价格和交易量的形态变化识别能力有限[24] 3. 模型名称：Transformer模型 - 模型构建思路：通过多头注意力机制（Multi-Head Attention）捕捉输入时序数据中的前后关系，适合建模超长序列数据[28] - 模型具体构建过程： - 输入：价量数据的时序特征[28] - 网络结构：包括多头注意力机制、前馈网络、位置编码等模块，能够并行化处理数据，提升运算速度[28][31] - 模型评价：克服了传统RNN的短期记忆缺点，适合处理超长序列数据[28] --- 模型的回测效果 1. AI看图的卷积神经网络模型 - 累计收益率：244.56%（20202024年）[69][73] - 年化收益率：29.42%（20202024年），40.88%（2024年）[69][73] - 最大回撤率：19.80%（20202024年），8.82%（2024年）[69][73] - 年化波动率：18.24%（20202024年），20.47%（2024年）[69][73] - 信息比率（IR）：1.61（2020~2024年），2.00（2024年）[69][73] --- 量化因子与构建方式 1. 因子名称：AI看图因子 - 因子的构建思路：基于价量数据图表，通过图像识别技术提取股价走势特征[17][52] - 因子具体构建过程： - 输入数据：标准化价量数据图表，包含K线图、成交量、MACD信息[17] - 因子分档：将全市场股票按因子值分为50档，分档组合展现出良好的区分度和单调性[52][54] - 因子评价：分档表现良好，多头、空头收益显著[52] --- 因子的回测效果 1. AI看图因子 - 分档表现：因子分档展现出显著的区分度和单调性[52][54]