20260608-中国银河-银河金工组合优化系列报告_时序截面三层深度学习模型预测收益风险信号_34页_12mb

报告摘要

本报告提出了一种基于深度学习的三层预测模型，用于构建指数增强策略。该模型结合了时序编码、截面图网络聚合和多任务预测，直接预测个股的收益与风险信号，以实现更直观的 Alpha 捕捉与风险控制。策略框架包括八个环节，从原始数据输入到回测执行与评估，确保模型在实际投资情境中的适用性。

深度学习模型结构：模型分为三层，分别是时序编码层（TimeEncoder）、截面图网络层（GraphSAGE）和多任务预测头（MLP）。TimeEncoder 提取个股的时序特征，GraphSAGE 聚合股票间的联动关系，MLP 输出超额收益、Sharpe 比率和最大回撤的预测值。
特征工程：K 线数据通过滑动窗口构建多维特征，包括价格形态、动量趋势、相对强弱、风险波动和量价资金等类别。不同特征组采用差异化预处理，保留方向性信息，同时增强可比性。
预测标签：预测标签包括未来 22 个交易日的超额收益和 Sharpe 比率，以及未来 66 个交易日的最大回撤。这些标签反映了短期收益与中期风险，符合投资者的决策逻辑。
模型优化与风险控制：在预测结果基础上，采用组合优化方法，加入硬约束（如个股仓位、跟踪误差、集中度）和软惩罚（如风险中性惩罚项），以提升策略稳健性。
策略表现：在沪深300 和科创50 指数增强策略中，模型分别实现了年化收益率 6.73%、6.72% 和年化超额收益 5.92%、5.24%，有效降低最大回撤幅度，验证了模型的有效性。

数据来源：Wind 数据库，包括指数权重、K 线数据（前复权价格、成交量、成交额）等。
特征分组：
- G1：形态与趋势：包括 body、range、动量指标（mom_3、mom_6 等）、均线偏离（ma_gap_5、ma_gap_20）和相对强弱指标（excess_ret_1、excess_mom_6 等）。
- G2：风险波动：包括滚动波动率（ret_std_6、ret_std_12、ret_std_24）、下行波动率（downvol_24）、最大回撤（mdd_24）和特质波动率（idvol_24、idvol_80）。
- G3：量价与资金：包括成交量、成交额的对数变换（log_vol、log_amount）、量价比（rv_6、rv_24）、价量相关性（vpr_6、vpr_24）和资金流动（flow_24）。
预处理方式：
- G1 特征保留原始尺度与方向。
- G2 和 G3 特征在每个滚动窗口内进行 Z-score 标准化，以增强可比性。

TimeEncoder：
- 包含线性投影、位置编码、Transformer Encoder 和注意力池化。
- Transformer 捕捉长距离依赖，注意力池化将时间序列压缩为特征向量。
GraphSAGE：
- 采用均值聚合函数，对邻居特征进行加权平均，保留经济含义。
- 图结构由滚动窗口内的收益率相关系数生成，设置阈值 $\phi = 0.6$ 选择邻居。
- 引入门控机制与残差连接，提升模型稳定性与表达能力。
MLP 输出层：
- 输出超额收益、Sharpe 比率和最大回撤的预测值。
- 每个任务有独立的损失函数，通过加权合并为总损失。