引入多時(shí)間維度特征對(duì)市場短期狀態(tài)分類優(yōu)化

1、研究背景借助深度強(qiáng)化學(xué)習(xí)的方法對(duì) A 股市場 67 個(gè)賽道進(jìn)行輪動(dòng)跟蹤，排名靠前的賽道組合相對(duì)于全賽道等權(quán)配置具有明顯的超額回報(bào)，深度強(qiáng)化學(xué)習(xí)的賽道選擇方法得到了檢驗(yàn)。研究背景論述和強(qiáng)化學(xué)習(xí)模型框架的選取詳見報(bào)告“成績”的賽道 0.1.0 版本系列報(bào)告將運(yùn)用相同的系統(tǒng)模型對(duì) A 股市場的個(gè)股進(jìn)行優(yōu)選并構(gòu)建投資組合進(jìn)行回測，本文將展示現(xiàn)有模型在多個(gè)場景上的短期狀態(tài)預(yù)測效果，并測試引入短期和中長期時(shí)間維度的同類型特征對(duì)模型的提升效果。深度學(xué)習(xí)模型在此前的研究報(bào)告中我們對(duì)比了 GAF-CNN，NT-CNN，LSTM-RNN 三種識(shí)別市場狀態(tài)的方法。其中，前兩者相較于 LSTM-RNN 能更好的從價(jià)量

2、信息對(duì)應(yīng)的蠟燭圖中提取信息，對(duì)相應(yīng)的短、中、長期漲跌狀態(tài)預(yù)測有更高的準(zhǔn)確率。此外，GAF 將 OHLC + Volume 5 個(gè)時(shí)間序列分別進(jìn)行轉(zhuǎn)換變形，得到比 NT 轉(zhuǎn)換更加豐富的信息交給卷積神經(jīng)網(wǎng)絡(luò)去識(shí)別；但另一方面，NT 變化將 5 個(gè)價(jià)量序列標(biāo)注在同一張圖中，能提供更多特征間的關(guān)系信息。本文以前期報(bào)告中預(yù)測準(zhǔn)確度最高，表現(xiàn)最優(yōu)的 GAF-CNN 模型作為參照 (以下標(biāo)注為 Baseline 模型) ，并在原有的網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上進(jìn)行特征工程優(yōu)化和初步的卷積層優(yōu)化，并通過實(shí)驗(yàn)對(duì)比不同模型對(duì)個(gè)股市場短期狀態(tài)的預(yù)測結(jié)果。預(yù)測個(gè)股的市場短期狀態(tài)與行業(yè)賽道的狀態(tài)預(yù)測相似，利用個(gè)股的價(jià)量（OHLC+V

3、olume）數(shù)據(jù)構(gòu)建分類模型，定義市場狀態(tài)作為后續(xù)強(qiáng)化學(xué)習(xí)模型的輸入。本文沿用了對(duì) A 股市場行業(yè)賽道的市場短期狀態(tài)的定義方法，由相應(yīng)個(gè)股的短、中、長期漲跌狀態(tài)來確定，標(biāo)記為 S1, S5, S10，映射到 8 種不同的市場狀態(tài)，見表 1，詳細(xì)論述請見前期報(bào)告“成績”的賽道 0.1.0 版。表 1：個(gè)股漲跌形態(tài)向量值與其市場狀態(tài)對(duì)應(yīng)表S1S5S10State00000011010201131004101511061117資料來源：優(yōu)化市場狀態(tài)分類模型從兩個(gè)方面優(yōu)化對(duì)個(gè)股的市場狀態(tài)預(yù)測，一方面為模型提供更多的數(shù)據(jù)特征，另一方面，將原來的卷積網(wǎng)絡(luò)模型加深，并使用不同的核尺寸去掃描特征。特征轉(zhuǎn)換方法

4、：GAF 與 NT在構(gòu)建個(gè)股的特征數(shù)據(jù)集時(shí)，想要通過量價(jià)形態(tài)來劃分市場狀態(tài)，我們首先要能準(zhǔn)確的識(shí)別出量價(jià)形態(tài)。而量價(jià)形態(tài)的判斷不僅僅是簡單數(shù)字分析，而是需要通過對(duì)蠟燭圖的形狀做出視覺上的判斷。對(duì)于圖像識(shí)別，運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)（CNN）來實(shí)現(xiàn)是廣為應(yīng)用的方法。這里使用卷積神經(jīng)網(wǎng)絡(luò)的難點(diǎn)在于，卷積神經(jīng)網(wǎng)絡(luò)主要是用于處理 2D 圖像的，而我們的量價(jià)數(shù)據(jù)是 1D 的時(shí)間序列。如何將 1D 的時(shí)間序列轉(zhuǎn)化成 2D 的數(shù)據(jù)？本文借鑒了 Chen&Tsai（2020）采用的技術(shù)方法，我們嘗試使用以下兩種轉(zhuǎn)換變形方法。Gramian Augular FieldGramian Angular Field（GAF）

5、是由 Wang & Oates（2015）提出的一種用極坐標(biāo)表示時(shí)間序列的方法。GAF 轉(zhuǎn)換變形分為三個(gè)步驟： 第一步， 先對(duì)時(shí)間序列做歸一化（normalization），假設(shè)我們的時(shí)間序列是 X，歸一化如下式所示： = min () max() min ()第二步，在歸一化之后用極坐標(biāo)表示歸一化之后的: = arccos() , 1 1, = , 最后，基于極坐標(biāo)，可以得到時(shí)間序列的 Gramian Angular Field: = cos (1 + 1)cos (1 + )cos ( + )cos ( + )將 OHLCV 5 個(gè)時(shí)間序列分別做 GAF 轉(zhuǎn)換后再疊加在一起就得到了 CNN

6、 可以處理的 2D * 5 數(shù)據(jù)。本文將在 2.2 中結(jié)合不同時(shí)間維度特征展示 GAF 轉(zhuǎn)換后的圖像。Nave Transformation本文將采用另一種特征轉(zhuǎn)換的方法，即 Nave Transformation(NT)。和 GAF 不同，將 OHLCV 不再拆成 5 個(gè)獨(dú)立的時(shí)間序列，而是看作一個(gè)整體。這樣我們把時(shí)間看作一個(gè)維度，OHLCV 的讀數(shù)看作另一個(gè)維度，則將一個(gè) 10-time step 的 OHLCV 序列直接轉(zhuǎn)化為一個(gè) 10*5*1 的圖片。同上，本文將在 2.2 節(jié)中結(jié)合不同時(shí)間維度特征展示 NT 轉(zhuǎn)換后的圖像。擴(kuò)充不同時(shí)間維度的數(shù)據(jù)特征在構(gòu)建個(gè)股的特征數(shù)據(jù)集時(shí)， 對(duì)股票價(jià)

7、量數(shù)據(jù)的 5 個(gè) 10-time step 時(shí)間序列（OHLC+Volume）進(jìn)行 GAF 轉(zhuǎn)換，得到 2D * 5 的特征向量；或者進(jìn)行 NT 變換，將價(jià)量信息編織在同一張 2D 特征圖中。在現(xiàn)有的股票日級(jí)別量價(jià)數(shù)據(jù)基礎(chǔ)上，為了讓狀態(tài)分類模型能對(duì)價(jià)量變化做出更及時(shí)的反應(yīng)，引入更高頻的數(shù)據(jù)，即 60 分鐘線價(jià)量信息；同時(shí)我們考慮市場變化偏離預(yù)期的情況，即當(dāng)前需要進(jìn)行狀態(tài)預(yù)測的行情，與訓(xùn)練模型所用的上一個(gè)季度的歷史行情走勢大相徑庭，為了讓模型適應(yīng)更長時(shí)間的歷史數(shù)據(jù)中的行情特征，引入涵蓋更長時(shí)間段的低頻數(shù)據(jù)，即周線價(jià)量信息。對(duì)三種時(shí)間維度的價(jià)量信息再采取相同的方式進(jìn)行特征提取。詳細(xì)的特征提取方式為

8、，對(duì)每只股票的每個(gè)采樣交易日 d，選取 9, 的 10-time step 的日線 OHLCV 數(shù)據(jù)；以當(dāng)日 15：00 點(diǎn)為時(shí)刻 t，選取 9, 的 10-time step 的 60min級(jí)別的歷史數(shù)據(jù)；再選取 9, 的 10-time step 的周線歷史數(shù)據(jù)，其中，周線數(shù)據(jù)是在日線價(jià)量數(shù)據(jù)基礎(chǔ)上以每 5 日為一個(gè)時(shí)間間隔進(jìn)行計(jì)算得到。圖 1：用歷史數(shù)據(jù)生成樣本特征的采樣原理資料來源：依據(jù)圖 1 中時(shí)間戳對(duì)齊的方法，對(duì)任意股票樣本的任意交易日，取得相應(yīng)的歷史數(shù)據(jù)，即 60min 級(jí)別、日級(jí)別和周級(jí)別 OHLCV 序列，再采用 2.1 中所介紹的 GAF/NT 轉(zhuǎn)換，即可得到相應(yīng)的特征數(shù)據(jù)

9、。以股票樣本（000498.SZ）為例，選取交易日 2021 年 5 月 21 日，對(duì)樣本進(jìn)行特征提取，其三種時(shí)間維度的價(jià)量圖和對(duì)應(yīng)的特征轉(zhuǎn)換結(jié)果，由圖 2-7 展示。圖 2：股票樣本 000498.SZ 日級(jí)別 K 線及對(duì)應(yīng)的 NT 轉(zhuǎn)換資料來源：圖 3：股票樣本 000498.SZ 日級(jí)別 K 線對(duì)應(yīng)的 GAF 轉(zhuǎn)換資料來源：圖 4：股票樣本 000498.SZ 周級(jí)別 K 線及對(duì)應(yīng)的 NT 轉(zhuǎn)換資料來源：圖 5：股票樣本 000498.SZ 周級(jí)別 K 線對(duì)應(yīng)的 GAF 轉(zhuǎn)換資料來源：圖 6：股票樣本 000498.SZ 60min 級(jí)別 K 線及對(duì)應(yīng)的 NT 轉(zhuǎn)換資料來源：圖 7：股票

10、樣本 000498.SZ 60min 級(jí)別 K 線對(duì)應(yīng)的 GAF 轉(zhuǎn)換資料來源：優(yōu)化卷積網(wǎng)絡(luò)結(jié)構(gòu)在原來的 NT-CNN/GAF-CNN 模型結(jié)構(gòu)上修改得到的市場狀態(tài)分類模型如下圖所示，對(duì) 60min，日線，周線變換得到的特征分別用相同結(jié)構(gòu)的 CNN 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到三組市場狀態(tài)的概率預(yù)測結(jié)果，通過一個(gè)全連接層預(yù)測出最終的市場狀態(tài)。圖 8：優(yōu)化后的股票市場狀態(tài)預(yù)測模型的網(wǎng)絡(luò)結(jié)構(gòu)圖資料來源：在 Baseline 模型中的網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上，增加了卷積網(wǎng)絡(luò)的深度，并使用不同的核（kernel）去掃描特征圖所包含的信息。在每個(gè)周期內(nèi)，觀察訓(xùn)練完成的模型中卷積核的參數(shù)揭示了股票價(jià)量信息之間的關(guān)系。為了便于

11、分析，保留權(quán)重最大的三個(gè)參數(shù)及其相應(yīng)的位置信息，分別展示如下。對(duì)于 NT-CNN 改進(jìn)模型，其第一層卷積層的核參數(shù)（左）及對(duì)最大的三個(gè)參數(shù)采樣后的示意圖（右）已展示在圖 9 中。分析第一層卷積層的核參數(shù)權(quán)重分布可知，有效信息集中于最近 3 個(gè) time-step 的數(shù)據(jù)特征，從不同通道的掃描結(jié)果來看，上一個(gè) time-step（上一個(gè)小時(shí)，或交易日、周）的收盤價(jià)與成交量要結(jié)合起來觀測（通道 5，7），而開盤價(jià)結(jié)合之前的最高價(jià)、最低價(jià)所呈現(xiàn)的微結(jié)構(gòu)也提供重要信息（通道 0，4，8，9）。第二層卷積網(wǎng)絡(luò)的核在掃描特征圖時(shí)，在時(shí)序上，依然體現(xiàn)出最近的數(shù)據(jù)特征提供主要信息的特點(diǎn)。而在第三層，權(quán)值較大的

12、核參數(shù)已經(jīng)不具有明顯的分布特征。圖 9：NT-CNN 第一層卷積層核參數(shù)訓(xùn)練結(jié)果資料來源：觀察 NT-CNN 第一層核參數(shù)的具體的通道 4 對(duì)應(yīng)的核參數(shù)，見圖 10，最大的三個(gè)核參數(shù)對(duì)應(yīng)到特征圖的 OHLCV 時(shí)間序列則體現(xiàn)了如下信息：(1, , )，即對(duì)當(dāng)前時(shí)刻 t，通過 t-1 時(shí)刻的開盤價(jià)（O），和 t 時(shí)刻的最高價(jià)（H）和最低價(jià)（L）所體現(xiàn)的價(jià)量微結(jié)構(gòu)，為該通道的核提供最多的有用信息。圖 10：NT-CNN 第一層卷積層特定通道的核參數(shù)展示資料來源：圖 11：NT-CNN 第二層卷積層核參數(shù)訓(xùn)練結(jié)果（已采樣）資料來源：圖 12：NT-CNN 第三層卷積層核參數(shù)訓(xùn)練結(jié)果（已采樣）資料來源

13、：浙商證券研究所圖 13：GAF-CNN 第一層卷積層核參數(shù)訓(xùn)練結(jié)果資料來源：圖 14：GAF-CNN 第一層卷積層特定通道的核參數(shù)展示資料來源：相比之下，GAF 的特征圖是對(duì) OHLC+Volume 每個(gè)時(shí)間序列形成的特征圖分別進(jìn)行掃描，從第一層卷積層開始，核參數(shù)沒有明顯的時(shí)間分布特征。GAF 轉(zhuǎn)換更加關(guān)注每個(gè)時(shí)間序列自身與歷史數(shù)據(jù)之間的關(guān)系，它抽取的是時(shí)間序列上前后相差性構(gòu)造出的特征。觀察 GAF-CNN 第一層卷積層的通道 0，經(jīng)過訓(xùn)練得到的 5個(gè)核，見圖 14。左起第一個(gè)核在掃描對(duì)應(yīng)的開盤價(jià)（O）序列時(shí)，對(duì)任意時(shí)刻，從 (4, 2), (4, ), (3, ) 的微結(jié)構(gòu)抽取出對(duì)模型有用

14、的信息較為重要。再觀察與收盤價(jià)（C）對(duì)應(yīng)的核參數(shù)，則提示模型優(yōu)先關(guān)注(4, 3), (4, 2), (2, )，之所以強(qiáng)調(diào)優(yōu)先關(guān)注是因?yàn)閳D 14 只展示了參數(shù)值大小前三的特征含義。模型測試表現(xiàn)對(duì)比個(gè)股市場狀態(tài)預(yù)測準(zhǔn)確度對(duì) A 股市場隨機(jī)抽取了在 750 只股票作為樣本池，訓(xùn)練集和驗(yàn)證集在此股票池內(nèi)進(jìn)行劃分，用 2021 年各季度的歷史數(shù)據(jù)進(jìn)行模型訓(xùn)練，改造后的 GAF-CNN/NT-CNN 模型與原有模型 Baseline 的預(yù)測準(zhǔn)確度比較如圖 15 所示?？梢姡瑢?duì)特征進(jìn)行了時(shí)間維度的擴(kuò)充，并且加深卷積網(wǎng)絡(luò)結(jié)構(gòu)，提升了模型對(duì)個(gè)股市場狀態(tài)預(yù)測的準(zhǔn)確率，在驗(yàn)證集上的預(yù)測準(zhǔn)確率都在 60%以上，即使

15、是在樣本外數(shù)據(jù)上的表現(xiàn)也達(dá)到了 57%的準(zhǔn)確度，即,在不同于上一季度的市場狀態(tài)下，模型仍然能對(duì)股票的市場狀態(tài)進(jìn)行評(píng)估。圖 15：原有模型和改進(jìn)后的 NT-CNN/GAF-CNN 對(duì)個(gè)股狀態(tài)的預(yù)測準(zhǔn)確度資料來源：表 2：原有模型和改進(jìn)后的 NT-CNN/GAF-CNN 對(duì)個(gè)股狀態(tài)的預(yù)測準(zhǔn)確度表BaselineNT-CNNGAF-CNNtrain55.4275%65.5700%63.8603%valid54.2079%62.5716%61.7250%test51.8710%57.6542%56.5534%資料來源：兩種不同的特征提取方法，NT 和 GAF，在改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)模型下表現(xiàn)十分接近，

16、但 NT-CNN 在不同的市場特征下表現(xiàn)較為穩(wěn)定，而 GAF-CNN 在不同的行情下預(yù)測準(zhǔn)確率會(huì)有更明顯的波動(dòng)，除了第一季度，在 2021 下半年 GAF-CNN 的預(yù)測準(zhǔn)確度都略為遜色?？蓞⒁妶D 16-17 中NT-CNN/GAF-CNN 在 2021 年各個(gè)季度的回測結(jié)果。圖 16：NT-CNN 2021 各季度預(yù)測準(zhǔn)確度圖 17：GAF-CNN 2021 各季度預(yù)測準(zhǔn)確度資料來源：資料來源：個(gè)股市場狀態(tài)預(yù)測結(jié)果對(duì)股價(jià)波動(dòng)的提示效果為了進(jìn)一步體現(xiàn)當(dāng)前市場狀態(tài)作為下一步強(qiáng)化學(xué)習(xí)模型的輸入，能體現(xiàn)股票價(jià)格變動(dòng)的信息與趨勢，用改進(jìn)后的最優(yōu)模型預(yù)測所得的市場狀態(tài)數(shù)據(jù)，進(jìn)行如下可視化處理：將當(dāng)前模型

17、預(yù)測的市場狀態(tài)以不同顏色表示在相應(yīng)的股票收盤價(jià)序列上，如圖 18 所示。個(gè)股市場狀態(tài)的預(yù)測結(jié)果已經(jīng)能直觀體現(xiàn)其在不同的價(jià)格變動(dòng)趨勢，并且在價(jià)格拉升或者下跌的早期就能做出比較準(zhǔn)確的判斷，也為后續(xù)通過強(qiáng)化學(xué)習(xí)模型進(jìn)行投資決策提供了極高的可信度。圖 18：預(yù)測所得市場狀態(tài)隨股票樣本上價(jià)格變化的示例資料來源：從回測結(jié)果可以看到，對(duì)個(gè)股進(jìn)行市場狀態(tài)預(yù)測的準(zhǔn)確率還有很大提升空間，在后續(xù)優(yōu)化報(bào)告中將對(duì)此深度強(qiáng)化學(xué)習(xí)框架進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化，讓模型更好地捕捉價(jià)量數(shù)據(jù)及其他特征中的相關(guān)關(guān)系和趨勢變化，從而對(duì) A 股市場的個(gè)股所處的市場狀態(tài)有更準(zhǔn)確的刻畫。市場狀態(tài)預(yù)測應(yīng)用案例基于市場狀態(tài)預(yù)測的擇時(shí)策略基于表 1 中對(duì)

18、市場狀態(tài)的劃分，本文將利用狀態(tài) 0（預(yù)測未來 1，5，10 天均為下跌）和狀態(tài) 7（預(yù)測未來 1，5，10 天均為上漲）構(gòu)成一個(gè)基礎(chǔ)的擇時(shí)策略，即：預(yù)測狀態(tài)為 7 且無持倉時(shí)，買入標(biāo)的；而預(yù)測狀態(tài)為 0 且有持倉時(shí)，賣出標(biāo)的。不追加倉，不做空。其他狀態(tài)下均不做操作。結(jié)合圖 15 可知，在出現(xiàn)第一個(gè)深藍(lán)色點(diǎn)代表的狀態(tài) 7 時(shí)，買入，并在出現(xiàn)第一個(gè)深紅色點(diǎn)代表的狀態(tài) 0 時(shí)，賣出。由此構(gòu)成一個(gè)對(duì)單一標(biāo)的物的擇時(shí)策略。策略應(yīng)用于不同類型資產(chǎn)的表現(xiàn)結(jié)果本文選取了滬深 300 指數(shù)，和倍受市場關(guān)注的股票標(biāo)的，寧德時(shí)代（300750.SZ），中債-新綜合財(cái)富總值（CBA00101.SZ），以及可轉(zhuǎn)債市場上

19、的樣本標(biāo)的萬孚轉(zhuǎn)債（123064.SZ）為例，應(yīng)用市場狀態(tài)預(yù)測結(jié)果對(duì) 4.1 中的策略進(jìn)行回測，結(jié)果如表 3 所示。表 3：不同類型資產(chǎn)的策略回測結(jié)果統(tǒng)計(jì)表夏普比率累積收益交易次數(shù)平均持倉天數(shù)滬深 3003.6088.23177.41寧德時(shí)代2.96510.031211.25中債-總財(cái)富指數(shù)3.426.19631.20萬孚轉(zhuǎn)債3.1451.08127.92資料來源：對(duì)應(yīng)每個(gè)指數(shù)/股票/可轉(zhuǎn)債，詳細(xì)的市場狀態(tài)預(yù)測結(jié)果，按照 4.1 策略得到的持倉狀態(tài)，以及最終得到的累積凈值曲線，分別展示如圖 19-22。圖 19：識(shí)別滬深 300 指數(shù)的市場狀態(tài)和策略回測結(jié)果資料來源：由圖 19 的累積凈值曲線

20、可知，在 2021 年滬深 300 指數(shù)全年走跌的行情下，利用市場狀態(tài)預(yù)測結(jié)果進(jìn)行擇時(shí)，在春節(jié)后的市場大幅回調(diào)和 6、7 月的兩次波段下跌行情下，模型判斷出的狀態(tài) 0，使得策略空倉而不承受下跌帶來的利潤損失。相比于滬深 300 指數(shù) 2021 年的指數(shù)收益，策略回測結(jié)果實(shí)現(xiàn)了 94%左右的超額收益。持倉期間也承受浮虧，但是整體的夏普比率達(dá)到了 3.60（見表 3）.圖 20：識(shí)別寧德時(shí)代 300750.SZ 的市場狀態(tài)和策略回測結(jié)果資料來源：由圖 20 中寧德時(shí)代（300750.SZ）累積凈值曲線可知，利用市場狀態(tài)預(yù)測結(jié)果進(jìn)行擇時(shí)，在寧德時(shí)代股價(jià)春節(jié)后的大幅回調(diào)以及年底下跌行情下，策略也做出了

21、正確的空倉決策。2021 年，在寧德時(shí)代自身表現(xiàn)十分亮眼的前提下，策略回測結(jié)果實(shí)現(xiàn)了 464%左右的超額收益。圖 21：識(shí)別中債新綜合財(cái)富總值 CBA00101.SZ 的市場狀態(tài)和策略回測結(jié)果資料來源：中債總財(cái)富指數(shù)的回測結(jié)果由圖 21 展示，其 2021 年整體行情都十分平滑，更容易跟蹤，因此利用市場狀態(tài)預(yù)測結(jié)果進(jìn)行擇時(shí)并沒有明顯的優(yōu)勢，取得了 6%左右的累積收益，略優(yōu)于指數(shù)收益。在這種容易跟蹤并且行情連續(xù)平穩(wěn)的資產(chǎn)上用市場狀態(tài)預(yù)測進(jìn)行擇時(shí)，得到了交易頻率低，平均持倉時(shí)間長的投資策略。以萬孚轉(zhuǎn)債（123064.SZ）為例，市場狀態(tài)預(yù)測進(jìn)行擇時(shí)在可轉(zhuǎn)債上的回測結(jié)果由圖22 展示。與前面的指數(shù)和

22、個(gè)股不同，萬孚轉(zhuǎn)債行情展現(xiàn)出了明顯的震蕩行情，而 4.1 節(jié)構(gòu)造的簡易擇時(shí)策略充分適應(yīng)了這樣的震蕩行情，在多個(gè)波段的下跌中都準(zhǔn)確進(jìn)行了狀態(tài) 0的預(yù)測，空倉度過，最終在標(biāo)的年化只有-5%的情況下取得了 88%的累積收益。圖 22：識(shí)別萬孚轉(zhuǎn)債 123064.SZ 的市場狀態(tài)和策略回測結(jié)果資料來源：總結(jié)本文對(duì)前期報(bào)告中用深度強(qiáng)化學(xué)習(xí)模型預(yù)測 A 股市場賽道輪動(dòng)的方法進(jìn)行了優(yōu)化，并應(yīng)用在 A 股股票上。經(jīng)過對(duì)特征數(shù)據(jù)的補(bǔ)充和網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化，對(duì)個(gè)股的市場短期狀態(tài)預(yù)測準(zhǔn)確度有明顯提升，高頻信息使得模型對(duì)市場狀態(tài)日內(nèi)變化更加敏感，快速反應(yīng)，另外長周期的數(shù)據(jù)也使得模型在不同的市場風(fēng)格切換之下有較為穩(wěn)定的表現(xiàn)。模型內(nèi)部參數(shù)的訓(xùn)練結(jié)果也對(duì)于股票價(jià)量特征之間的關(guān)系，及市場微結(jié)構(gòu)的不同形態(tài)對(duì)于股票價(jià)格趨勢的影響提供了重要信息。通過構(gòu)造簡單的擇時(shí)策略，并對(duì)不同類型的資產(chǎn)進(jìn)行回測，證明了市場短期狀態(tài)預(yù)測的應(yīng)用價(jià)值。參考文獻(xiàn)Zhiguang Wang, Tim Oat