20240702-山西证券-基于神经网络的模型框架_机器学习量化模型_17页_1mb

该报告总结了山西证券金工团队使用基于神经网络的深度学习模型构建行业轮动交易策略的研究。报告旨在通过预测ETF未来价格走势来指导摆动交易决策，提高投资回报和风险管理。模型框架包括循环神经网络，通过自定义损失函数、动态权重分配和蒙特卡罗dropout等技术优化预测准确性。回测结果显示，策略在2017-2024年期间平均年化收益率为426%，并在2024年表现突出，获得2423%的超额收益。然而，部分年份（如2018年和2023年）表现较差，因模型参数不足或相关性低导致预测偏差。风险包括市场波动影响统计规律、模型可能失效以及数据不确定性。未来研究方向涉及引入行业特定变量、优化模型架构和应用强化学习，以提升策略的稳定性和适应性。报告强调结论基于历史数据，无法预测未来市场，并要求投资者谨慎参考。总体而言，该框架展示了量化模型在交易中的潜力，但需持续迭代以应对市场变化。