银河金工 组合优化系列时序截面三层深度学习模型预测收益风险信号

核心观点

本报告介绍了一种基于时序截面三层深度学习模型预测收益风险信号的组合优化方法。该方法采用“轻数据重特征”的策略，仅使用指数成分股的权重数据和股票K线数据（高开低收、交易量和交易额）作为输入，通过特征工程构建42个指标，并利用Transformer、图网络（GraphSAGE）和多层感知机（MLP）三层结构进行预测。

关键数据和研究结论

1. 数据选择与特征工程：报告采用轻数据策略，使用基础数据构建42个特征指标，包括K线形态、动量、技术指标、风险指标和量价指标。特征工程遵循个股时间序列进行标准化，并对部分指标进行分组处理。
2. 模型构建：模型采用线性顺序，依次通过Transformer、GraphSAGE和MLP进行处理。Transformer提取时间序列特征，GraphSAGE挖掘股票间的相关关系，MLP进行降维输出预测结果。
3. 模型细节：Transformer模型适用于高维长窗口输入，并能捕捉不同时间窗口的依赖关系。GraphSAGE模型通过定义节点连接规则和邻居节点数量，聚合信息更新节点特征，并采用均值聚合函数平滑异常波动。MLP模型通过两层结构进行特征重组和降维。
4. 模型训练与优化：损失函数综合了Rank IC和MSE，更侧重Rank IC以保持预测值排序与真实值排序的一致性。模型训练采用滚动训练方式，每年使用过去三年数据训练新模型，并设置早停机制以避免过拟合。
5. 模型评估：模型在验证集上的IC值表现良好，最大回撤预测效果优于夏普比率预测效果。夏普比率的验证集IC值大部分时间超过0.05，最大回撤的验证集IC值几乎每一年都达到0.1水平。
6. 组合优化与回测：基于均值方差理论和惩罚项，在沪深300和科创50指数上进行组合优化和回测。策略在两个指数上均实现稳定超额收益，并有效控制最大回撤水平。
7. 研究结论：深度学习模型框架在指数增强策略中有效，输入数据简单基础，输出信号价值高，可应用于选股因子等领域。

未来展望

报告指出，未来将把该模型应用于强化学习的状态空间中，构建更完善的框架。