20220709-浙商证券-AlphaCY系统优化系列报告（一）_引入多时间维度特征对市场短期状态分类优化_20页_1mb

AlphaCY 系统优化系列报告（一）总结

核心内容

本报告围绕 AlphaCY 系统优化系列 的第一篇展开，重点介绍了如何通过引入多时间维度特征来优化对 A 股市场个股短期市场状态的识别能力。该优化基于深度学习方法，特别是卷积神经网络（CNN）的应用，并结合了 GAF（Gramian Angular Field）与 NT（Naïve Transformation）两种特征转换方法，以提升模型的预测准确度与适应性。

主要观点

• 深度学习模型的应用：使用深度学习模型对个股进行市场短期状态预测，有助于构建更有效的投资决策系统。
• 多时间维度特征的引入：通过引入高频（60分钟线）与低频（周线）数据，使模型能够捕捉市场短期波动和长期趋势变化。
• 特征转换方法：GAF 与 NT 是两种不同的特征转换方法，GAF 通过极坐标方式将时间序列转化为图像，NT 则将 OHLCV 数据整合为一张图像，分别适用于捕捉不同类型的价量关系。
• 卷积网络结构优化：在原有模型基础上加深卷积网络结构，提升模型对市场状态的识别能力。
• 模型性能提升：优化后的模型在验证集和测试集上准确度均提升至 60% 以上，其中 NT-CNN 在不同市场条件下表现更为稳定。
• 市场状态预测的应用价值：基于市场状态预测的择时策略在不同资产类型上表现出良好的回测效果，为后续投资决策提供了依据。

关键信息

特征转换方法

• GAF（Gramian Angular Field）：将 OHLCV 五个时间序列分别进行归一化和极坐标转换，生成 2D 图像，供 CNN 识别。
• NT（Naïve Transformation）：将 OHLCV 数据视为一个整体，生成 1051 的 2D 图像，便于捕捉时间序列中各要素之间的关系。

数据特征扩充

• 引入 60分钟线、日线、周线 三种时间维度的数据特征。
• 对每只股票的每个交易日，选取最近 10 个时间步的数据，进行特征提取。
• 通过 GAF 和 NT 方法分别转换为图像，用于训练卷积神经网络模型。

卷积网络结构优化

• 在原有的 NT-CNN 和 GAF-CNN 模型基础上，增加网络深度并使用不同核尺寸扫描特征图。
• 通过分析卷积核的参数分布，揭示价量特征之间的内在联系及市场微结构对价格趋势的影响。

模型测试表现

• 训练集准确度：Baseline 模型为 55.43%，NT-CNN 为 65.57%，GAF-CNN 为 63.86%。
• 验证集准确度：Baseline 模型为 54.21%，NT-CNN 为 62.57%，GAF-CNN 为 61.73%。
• 测试集准确度：Baseline 模型为 51.87%，NT-CNN 为 57.65%，GAF-CNN 为 56.55%。
• 预测准确度提升：优化后模型在验证集和测试集上均提升了约 10% 的准确度。

策略回测结果

资产类型	夏普比率	累积收益	交易次数	平均持仓天数
沪深300指数	3.60	88.23%	17	7.41
宁德时代（300750.SZ）	2.96	510.03%	12	11.25
中债-总财富指数	3.42	6.19%	6	31.20
万孚转债（123064.SZ）	3.14	51.08%	12	7.92

应用案例效果

• 沪深300指数：在 2021 年整体下跌行情下，策略实现了 94% 的超额收益。
• 宁德时代：在股价回调与下跌行情下，策略成功规避风险，实现 464% 的超额收益。
• 中债总财富指数：行情平滑，策略取得 6% 的累积收益，夏普比率略优于指数。
• 万孚转债：在震荡行情中，策略实现 88% 的累积收益，表现出良好的适应性。

结构优化与展望

• 模型通过引入多时间维度特征和优化卷积网络结构，提升了对短期市场状态的识别能力。
• 模型内部参数揭示了价量特征之间的关系，为后续特征工程和模型优化提供了重要依据。
• 在后续优化报告中，将进一步优化网络结构，以提升模型对价量数据及其他特征的捕捉能力。

风险提示

• AI 模型基于历史数据，无法保证在所有市场环境下都有效。
• 模型结果仅供参考，不构成投资建议，投资者需独立判断。

法律声明

• 本报告由浙商证券股份有限公司制作，不保证信息的真实性、准确性及完整性。
• 未经许可，不得复制、发布或传播本报告内容。
• 投资者需自行评估风险，独立决策。