深度学习赋能风格轮动与多策略融合 | 开源金工
创建于 更新于
摘要
本文基于深度学习（LSTM与Transformer）与强化学习（PPO与SAC）模型，挖掘交易行为因子并应用于风格轮动和多策略融合，通过构建指数及股票层面的风格因子，实现风格优选并融合多策略组合，实验结果显示Transformer模型优于LSTM，SAC强化学习月频调仓风格选择收益波动比高达1.70，综合风格优选后，构建的Transformer优选100因子组合年化收益率高达35.99%，显著领先市场基准[page::0][page::2][page::3][page::8][page::9][page::10]
