深度学习研究报告之四：趋势策略的深度学习增强-20171026-广发证券-24页-2mb

报告摘要

本报告探讨了如何利用深度学习技术，特别是循环神经网络（RNN）和长短期记忆模型（LSTM），来增强趋势交易策略的盈利能力。通过分析早盘行情数据，RNN模型能够预测当日趋势策略的盈利概率，从而决定是否进行趋势交易。策略在趋势市场中表现良好，在震荡市场中则规避交易，从而有效提高整体收益表现。

样本内表现：自2010年4月16日起，策略交易707次，累积收益率223.46%，年化收益率18.01%，最大回撤-8.63%，盈亏比2.17。
样本外表现：2014年1月1日至2017年7月31日，策略交易372次，累积收益率80.72%，年化收益率18.47%，最大回撤-8.63%，盈亏比2.27。
交易成本影响：策略在交易成本提高至双边万分之五时，仍保持年化收益率14.71%，单次交易收益率0.14%，说明对交易成本不敏感。

对照策略：在盈利概率低于120日均线时进行交易，导致年化收益率为-0.84%，累积收益率为-2.90%，最大回撤为-16.33%，盈亏比为1.58，明显低于原策略。

通过引入深度学习模型，特别是RNN和LSTM，趋势策略能够有效识别市场趋势与震荡状态，从而优化交易信号选择。策略在历史回测中表现稳定，对交易成本不敏感，适合当前市场环境。然而，策略并非万能，市场结构和参与者行为的变化可能影响其有效性。

相关研究：
- 深度学习研究报告之一：深度学习之股指期货日内交易策略
- 深度学习研究报告之二：深度学习算法掘金 ALPHA 因子
- 深度学习研究报告之三：深度学习新进展：Alpha因子的再挖掘
图表索引：
- 图1：策略样本外表现
- 图2：EMDT策略表现
- 图3：成份股一致性强的市场
- 图4：成份股一致性弱的市场
- 图5：机器学习趋势信号筛选示意图
- 图6：深度学习的层级结构
- 图7：神经元示意图
- 图8：逻辑函数输入输出图
- 图9：神经网络示意图
- 图10：深层神经网络示意图
- 图11：循环神经网络示意图
- 图12：循环神经网络的参数
- 图13：循环神经网络参数学习示意图
- 图14：长短期记忆模型示意图
- 图15：策略原理示意图
- 图16：盈利概率p的走势图
- 图17：策略全样本表现
- 图18：策略样本外表现
- 图19：不同交易成本下的策略净值
- 图20：不同建仓时间下策略的表现
- 图21：对照策略表现
表格索引：
- 表1：2010年以来策略表现
- 表2：2014年以来策略表现
- 表3：不同建仓时间下策略的表现
- 表4：2014年以来策略表现对比

行业投资评级：
- 买入：预期未来12个月内，股价表现强于大盘10%以上。
- 持有：预期未来12个月内，股价相对大盘的变动幅度介于-10%～+10%。
- 卖出：预期未来12个月内，股价表现弱于大盘10%以上。
公司投资评级：
- 买入：预期未来12个月内，股价表现强于大盘15%以上。
- 谨慎增持：预期未来12个月内，股价表现强于大盘5%～15%。
- 持有：预期未来12个月内，股价相对大盘的变动幅度介于-5%～+5%。
- 卖出：预期未来12个月内，股价表现弱于大盘5%以上。