20250912-太平洋-AI投研应用系列之三_基于NARX动态神经网络的指数择时策略_31页_997kb

证券研究报告总结

1. 时序神经网络与NARX模型

• 时序神经网络演进：从RNN、LSTM/GRU到Transformer，各具优势，适用于不同复杂场景。
• NARX（带外部输入变量的非线性自回归模型）结构：
  • 四层架构：输入层、延迟层、隐含层、输出层。
  • 开环和闭环训练模式，提高训练效率和稳定性。
• NARX优势：
  • 可解释性强：内置结构结合计量经济学先验知识。
  • 训练稳定：使用静态反向传播，避免梯度消失/爆炸。
  • 数据高效：较少参数，适应中等规模数据集。

2. 基于NARX的指数择时策略构建

• 目标：预测指数拐点（顶部/底部），划分交易日状态为“转折点”或“持续点”。
• 输入指标：价格、量能、波动性、拥挤度、资金流等8个指标，标准化处理。
• 择时框架：
  • 参数设定：滞后阶数、隐含层节点数、均线天数、持有天数。
  • 交易规则：基于输出值趋势判断交易方向，止损规则覆盖。
• 评价指标：原始准确率与调整准确率，放宽评价标准提高实际效果。

3. 宽基指数择时测试

• 沪深300：2023-2025年性能较强，年化26.0%，夏普比率1.56。
• 中证500 & 中证1000：中证500 2023-2025年整体表现优于中证300；中证1000策略高频交易，波动较大，信息比率0.66。
• 信号准确率：调整准确率后显著提升，最高达到66%-70%。

4. 总结与未来研究方向

• NARX模型结合神经网络和计量经济可解释性强，适用于指数择时。
• 可扩展方向：
  • 引入市场情绪、宏观事件等另类数据。
  • 探索NARX与注意力机制的混合模型。
  • 优化分路径建模，提升业务归纳偏置。

5. 风险与免责声明

报告结论基于历史回测，存在一定局限性，不构成投资建议，风险提示包括样本有限、模型失效可能。