20250625-开源证券-开源量化评论_深度学习赋能技术分析_13页_2mb

金融工程专题：深度学习赋能技术分析

报告概述

• 报告主题：深度学习技术在金融工程中的应用，重点是基于技术指标和图形识别的因子挖掘
• 发布日期：2025年06月25日
• 研究团队：开源量化研究团队
• 核心分析师：魏建榕、盛少成、张翔、傅开波、高鹏、苏良等

核心内容

一、技术指标因子挖掘（LSTM）

1. 直接使用LSTM

   • 输入层：股价数据（开盘、最高、最低、收盘价、成交量）及其衍生技术指标
   • 模型：LSTM框架，6年训练集，2年验证集，滚动训练
   • 性能指标（2019至今）：RankIC 7.42%，年化收益24.02%

2. 结合遗传算法（GA）挖掘有效因子

   • 使用GA从历史数据（2010–2016）中挖掘有效因子
   • 将Ga因子与原始数据放入LSTM模型
   • 性能指标：RankIC 6.76%，年化收益20.28%

3. LSTM-based因子（结合GA）： 𝑳𝑺𝑻𝑴𝒅𝒆𝒂𝒑_𝒕𝒆𝒄𝒉

   • 性能指标：RankIC 9.27%，年化收益32.44%RankIC基本包含原始技术指标因子的alpha信息同比下降AMIS回归后残差选股效果微弱

二、基于图形识别的因子挖掘

1. 深度学习方法（CNN+LSTM）

   • 理论可行，但存在高计算需求、数据覆盖限制等

2. 基于人工定义状态的方法

   • 将技术形态划分为实体、影线、均线相对位置等有限状态
   • 使用LSTM模型构建因子

• Tech_Similarity：人工方法构建历史相似度因子，RankIC 4.87%，年化收益25.97%
• Graph_TechLSTM：基于状态定义的LSTM模型，RankIC 9.01%，年化收益32.25%

三、综合因子（深度融合）

• 合成因子LSTM_deap_tech_graph，整合技术指标与图形状态维度，实现更强解释力：
  • 排序IC: 10.89%
  • 多空组合年化收益: 37.28%
  • 多头超额收益显著提升

其他补充

• 与行为因子整合: 引入高/低频交易指标，构建behavioral LSTM_PRO因子，与Graph_TechLSTM合时效果更佳，RankIC 达到11.93%

关键发现

• 不同深度学习架构从不同维度捕捉信息，因子合成可提升效果
• 模型在小市值组合（如国证2000）中表现尤为优异

风险提示

• 历史数据驱动的模型具有时间依赖性，未来市场环境可能发生改变