基于成分股CNN图像识别构建风格轮动模型研究背景CNN（ConvolutionalNeuralNetwork，卷积神经网络）是一种深度学习模型，它在图像识别、视频分析和自然语言处理等领域中非常流行和有效。CNN模型通常包含以下几个关键组件：卷积层、激活函数、池化层、全连接层。CNN模型的训练过程通常包括前向传播和反向传播两个阶段。CNN可以根据处理的数据维度分为1D（一维）和2D（二维）两种类型：1DCNN（一维卷积神经网络）：主要用于处理时间序列数据，例如时间序列、音频信号或文本数据。2DCNN是最常见的CNN类型，主要用于处理具有二维结构的数据，如图像、视频帧或高分辨率地图。采用图像化方法来展现整个数据矩阵，可以增强统计模型识别复杂模式的能力。本研究框架基于《(Re-)Imag(in)ingPriceTrends》一文，使用该论文中绘制股票价格图表的方法，即OHLC图+移动平均线+成交量柱状图，同时还借鉴了论文中的二分类标签分类方法：如果预测的收益率为正值，则图像标签为1；如果预测的收益率为负值或零，则图像标签为0。基于卷积神经网络的全市场量化选股因子本研究设计了一个基于卷积神经网络（CNN）的模型，用于预测滚动20天窗口股票价格的未来走势。模型利用两个卷积层自动提取时间序列的复杂特征，每层后接最大池化层以降低特征维度。处理后的特征图被展平并送入全连接层，最终输出两个概率值，分别代表股票未来价格上涨和下跌的可能性。最终我们以股票上涨的概率作为因子进行选股。我们定义“AI识别K线”因子为使用包含过去20日价量数据的改进后的OHLC图表来预测未来20个交易日收益情况的因子，并以20个交易日为周期进行调仓。从分位数组合...
发表评论取消回复