深度学习赋能风格轮动与多策略融合
创建于 更新于
摘要
本报告基于深度学习（LSTM、Transformer）与强化学习（PPO、SAC）方法，构建风格轮动与多策略融合模型。通过多维度风格指数优选，结合指数级与股票级因子，实现风格与个股的动态筛选。结果显示，Transformer因子较LSTM因子表现优异，SAC算法优于PPO算法，最终多策略融合的"Transformer优选100"实现绝对年化收益35.99%，收益波动比1.47，显著优于基准。量化因子挖掘和风格轮动策略在选股和风格动态调整中均展现出较强的超额收益能力与稳定性，且多策略融合能有效提升综合绩效，为量化投资提供了强有力的工具和实践框架 [pidx::0][pidx::3][pidx::4][pidx::5][pidx::6][pidx::7][pidx::8][pidx::9][pidx::10][pidx::11][pidx::12][pidx::13]
