20201022-浙商证券-AI揭开行业轮动的_秘密_成绩_的赛道0.1.0版_27页_3mb

文档总结：AI在行业轮动中的应用（0.1.0版）

核心内容概述

本报告探讨了如何利用深度强化学习（Deep Reinforcement Learning, DRL）和市场状态识别技术，对A股市场67个行业赛道进行轮动跟踪与择优选择，旨在为投资者提供基于AI的行业配置策略。通过构建AI模型，我们能够识别市场短期、中期、长期的涨跌形态，并结合强化学习机制进行动态调整，从而在不同市场环境下实现超额收益。

主要观点

1. 适应性市场假说（AMH）

   • 市场并非总是有效，也并非总是无效，而是处于动态进化中。
   • 投资策略需要不断适应市场变化，强化学习具备这种自适应性，是构建市场适应性策略的理想框架。

2. 市场状态识别

   • 市场状态可以通过量价形态进行识别，如蜡烛图形态。
   • 使用Gramian Angular Field (GAF) 和 Naive Transformation (NT) 将时间序列数据转换为图像，以便于深度学习模型进行处理。
   • 通过LSTM-RNN、NT-CNN 和 GAF-CNN 三种模型对市场状态进行识别，NT-CNN在短期、中期和长期识别中表现更优，准确率超过70%，接近80%。

3. 强化学习模型

   • 使用Q-learning进行交易决策，通过Q-table记录不同市场状态下的买卖行为价值。
   • Q-learning的更新机制基于时间差分法（TD），即根据当前状态和未来状态的收益进行调整。
   • AI在市场中不断试错，更新Q-table，从而形成对市场状态的动态适应。

4. 回测与结果分析

   • 不同时间窗口（21天、63天、252天）下，强化学习模型的行业组合表现优于等权配置。
   • Top 3、Top 5、Top 10 行业组合在不同时间窗口下均表现出显著的超额收益。
   • 市场情绪择时策略（根据AI模型的净多头/净空头状态调整仓位）能够有效提升风险调整后的收益指标，如Sharpe比率、Calmar比率和Sortino比率。

5. 市场情绪与行业优选结合

   • 通过AI模型对行业进行排名，并根据市场情绪（净多头或净空头）调整仓位，从而实现更高的收益和更低的回撤。
   • 情绪择时策略在不同时间窗口下均显示出优于不择时策略的绩效。

关键信息

• 市场状态识别方法：

  • 使用GAF-CNN 和 NT-CNN 对蜡烛图形态进行识别，LSTM-RNN效果较差。
  • 每个交易日的形态识别结果形成一个**[S1, S5, S10]** 向量，代表短期、中期、长期的涨跌状态，共有8种市场状态。

• 强化学习模型参数：

  • 使用Q-learning，学习率（α）和贴现因子（γ）控制模型的更新与价值估计。
  • 模型通过不断试错，更新Q-table，形成对市场状态的动态适应。

• 回测结果：

  • 分层回测：在21天、63天、252天时间窗口下，Top 3、Top 5、Top 10行业组合年化收益显著高于基准。
  • 市场情绪择时回测：在情绪为净多头时满仓，净空头时空仓或半仓，能有效提升收益并降低回撤。
  • 行业优选与情绪择时结合：在不同时间窗口下，结合策略表现优于单独择时或单独优选策略。

• 行业排名（截至2020年9月18日）：

  • 贵金属指数（886011.WI）在21天窗口排名第一，但在63天和252天窗口排名靠后。
  • 生物科技指数（882491.WI）在252天窗口排名最后，但在21天和63天窗口表现较好。
  • 行业排名随时间窗口变化，体现出AI模型对市场状态的动态适应能力。

风险提示

• AI模型基于历史数据构建，无法保证在未来的有效性。
• 模型结果仅为量化分析，不构成投资建议。
• 市场情绪和行业轮动存在不确定性，需谨慎使用。

行业排名表（部分）

图表目录（关键图表）

• 图1：强化学习方法论简易框架
• 图2：MorningStar蜡烛图形态
• 图3：MorningStar形态经GAF变换后的图像
• 图4：BearishHarami蜡烛图形态
• 图5：BearishHarami经NT转换后的灰度图
• 图6：NTCNN、GAFCNN、LSTMRNN识别准确率
• 图7、8、9：不同时间窗口下的形态识别准确率
• 图10：RL-AI动态迭代机制示意图
• 图11、12、13：不同时间窗口下的累计相对价值分组回测
• 图14、15、16、17、18、19：最优行业组合回测
• 图20、21、22：市场情绪择时回测及与行业优选结合回测
• 图23：市场情绪择时时间序列（1为净多头，0为净空头）

参考文献

1. Fama, E. (1991). Efficient Capital Markets: II. Journal of Finance, 46(5), 1575-1618.
2. Lo, A. (2004). The Adaptive Markets Hypothesis: Market Efficiency from an Evolutionary Perspective. The Journal of Portfolio Management, 30(5), 15-29.
3. Lo, A. (2009). Reconciling Efficient Markets with Behavioral Finance: The Adaptive Markets Hypothesis. Journal of Investment Consulting, 7(2), 21-44.
4. Sutton, R., & Barto, A. (1998). Reinforcement Learning: An Introduction. MIT Press.
5. Wang, Z., & Oates, T. (2015). Encoding time series as images for visual inspection and classification. Proceedings of the 32nd International Conference on Machine Learning (ICML).