> **来源：[研报客](https://pc.yanbaoke.cn)** 本研究报告探讨了基于卷积神经网络（CNN）和股票价格图像识别构建的量化选股因子和风格轮动模型。研究背景介绍CNN在图像识别领域的优势，应用于股票走势预测，以革新传统金融分析方法。该模型利用改进的OHLC图（包含开盘价、最高价、最低价、收盘价）加之移动平均线和成交量柱状图，转化为图像数据，输入CNN处理，预测未来20天股票收益趋势。CNN架构包含两个卷积层、批量归一化层和最大池化层，后接全连接层，使用Xavier初始化和Adam优化器训练，损失函数为交叉熵，早停机制防止过拟合。 实证分析显示，AI识别K线因子在全市场表现优异，RankIC均值达552%，单调性良好，年化超额收益率536%。在沪深300、中证500、中证1000股票池中，中证1000池表现最佳。因子与其他大类因子相关性低，可作为补充信息维度。进一步扩展至风格轮动模型，构建基于成份股CNN强信息因子，回测期间（2018-2024年）年化超额收益率1238%，夏普比率0.89，最大回撤-6%，胜率64.94%，优于等权基准。模型建议6月配置小盘成长指数，预期超额收益。 结论：CNN图像识别技术提升了选股和风格轮动预测精度，但模型依赖历史数据，存在失效风险，需持续优化以应对市场变化。本研究为量化投资提供新视角。