20241212-开源证券-开源量化评论（103）_深度学习赋能风格轮动与多策略融合_16页_2mb

金融工程专题总结

本报告探讨了深度学习和强化学习在金融工程中的应用，焦点在于交易行为因子挖掘和市场风格轮动。首先，通过LSTM和Transformer模型比较，Transformer在因子挖掘中表现更优，月度RankIC从937%提升至1027%，年化收益率也更高。接着，风格选择基于市值、价值、质量、成长、红利五大风格，通过Transformer因子和强化学习算法（如SAC）进行轮动优化。研究发现，深度学习综合方案优选2种风格，收益波动比为0.97；强化学习方案优选10种风格，虽然年化收益略低但波动更小，收益波动比达1.70。多策略融合结合两者，提升了股票优选策略效果，如Transformer优选100的收益波动比从0.94增至1.47。报告强调，模型基于历史数据，未来市场可能有重大变化，建议投资者谨慎使用。

总之，本报告展示了机器学习在金融策略中的潜力，但风险提示显示需注意外部因素影响。