本文深入研究了生成对抗网络（GAN）的一种重要变体Wasserstein GAN (WGAN)在金融时间序列生成中的应用，通过引入Wasserstein距离替代传统JS散度，有效解决了GAN训练不同步、收敛性差及模式崩溃等问题。结合上证综指日频和标普500月频收益率序列的实证分析，WGAN不仅显著提升了生成序列的真实性（如长时程相关性的Hurst指数改善明显），同时增强了多样性（基于动态时间规整DTW指标），特别是标普500月频数据上的表现更为突出，展现了WGAN在金融时序模拟领域的潜力和优势。[pidx::0][pidx::4][pidx::13][pidx::19][pidx::29]
本文基于华泰金工之前的AlphaNet-v1模型，分别从网络结构和特征两个角度提出了AlphaNet-v2和AlphaNet-v3两代模型改进方案。通过扩充比率类特征、引入LSTM/GRU层，有效提升了模型在全A股、中证800及中证500股票池上的选股表现。实验结果显示，AlphaNet-v2相比AlphaNet-v1在RankIC、ICIR及回测年化超额收益率均有显著提升，AlphaNet-v3在中证500成分股中进一步小幅超越AlphaNet-v2。报告还对比了AlphaNet和“遗传规划+随机森林”模型的优缺点，为人工智能选股模型的应用和发展提供了有力参考。[pidx::0][pidx::4][pidx::12][pidx::21]
本报告系统介绍了无监督学习中的两大核心方法流形学习与聚类算法，结合具体案例演示了这些方法在高维数据降维、股票产业聚类和因子投资风险溢价估计中的应用，图表1、3、11和20分别展示了无监督学习分类、具体降维案例、聚类效果及PCA三步法估计因子溢价的关键结论，深入挖掘金融数据内在结构与潜在因子特征，为智能投资提供方法论支持。[pidx::0,1,5,13,26]
本文设计了全新的端到端选股因子挖掘神经网络AlphaNet，结合遗传规划思想，自定义特征提取层及批标准化，实现在个股量价数据中挖掘增量信息。基于全A股量价数据，AlphaNet-v1合成因子在10天调仓周期RankIC均值达9.54%，年化超额收益率12.42%；5天调仓周期RankIC均值8.19%，年化超额收益率11.36%，表现显著优于传统因子，且通过SHAP模型解释工具验证因子特征重要性[pidx::0][pidx::6][pidx::13][pidx::16][pidx::21]
本报告系统介绍生成对抗网络（GAN）及其在量化投资领域的应用，重点训练不同市场和时间频率的股指收益率序列，利用六项金融特征指标综合评价。结果表明GAN生成的序列在自相关性、厚尾分布、波动率聚集、杠杆效应、粗细波动率相关与盈亏不对称性等指标上较Bootstrap和GARCH模型更好地复刻真实市场特征，体现其生成数据质量优异。此外报告通过双均线择时策略参数选择案例，展示GAN在检验量化策略回测过拟合上的潜力，启示GAN可成为量化投资数据模拟和风险评估的新工具[pidx::0,pidx::14,pidx::15,pidx::16,pidx::18,pidx::20,pidx::23]
本报告系统探讨了在人工智能选股模型中采用另类标签（信息比率与Calmar比率）相较于传统收益率标签的优势，结合全A股及指数成分股的多训练期长度测试表明，另类标签在超额收益、信息比率和Calmar比率表现更优，且通过多模型集成能进一步提升选股稳定性和收益表现，因子重要性分析揭示因子权重差异，提供量化选股模型优化路径。[pidx::0][pidx::6][pidx::11][pidx::32]
本报告系统介绍六种机器学习模型解释方法（特征重要性、ICE、PDP、SDT、LIME、SHAP），并以华泰XGBoost选股模型为案例，揭示其如何运用价量及基本面因子进行选股。分析发现：价量类因子整体重要性高于基本面因子，模型展示了因子的非线性使用逻辑，尤其在市值、反转、技术、情绪因子上体现明显。此外，SHAP方法能够从全局及个体层面直观呈现特征边际贡献和因子交互作用，推荐作为首选解释工具，为资管行业提供机器学习可解释性实务方案。[pidx::0][pidx::6][pidx::30]
本报告基于卷积神经网络模型，通过真假序列识别方法验证市场量价序列是否存在可识别模式。模拟实验确认网络能识别不同复杂度的收益率模式，且可视化技术揭示模式位于序列特定局部。实证研究显示股指日频收益率近似随机，分钟频收益率存在显著模式，尤其集中于开盘后30分钟和收盘前1小时；个股及因子日频难以识别模式，股指期货、中高频商品期货表现较好。统计检验与机器学习结论一致，说明市场有效性受交易制度及时间频率影响，为主动投资择时提供新视角。[pidx::0][pidx::4][pidx::8][pidx::29]
本报告以机器学习方法，重点采用卷积神经网络（CNN）对真假市场价量序列识别展开研究。通过价格收益率和换手率序列构建真实与虚假样本，CNN能有效识别真假序列，尤其基于换手率的模型表现优异，而基于纯收益率或传统技术指标的识别能力不足。神经网络Grad-CAM可视化揭示模型主要依赖换手率序列中的局部特征，提示技术分析中“量”的信息或比“价”更为有效，较大挑战了纯基于价格的技术分析的可靠性，为市场规律的挖掘提供新思路。[pidx::0],[pidx::7],[pidx::10],[pidx::16],[pidx::25],[pidx::26]
本报告基于遗传规划选股因子挖掘，提出因子互信息和多头超额收益两种新适应度指标，增强了因子捕捉非线性收益关系的能力。通过三次方回归残差法和多项式拟合法改进非线性因子应用，并引入交叉验证环节控制过拟合。测试包括20多个因子，分层测试显示互信息因子呈现“中间层收益高，两端低”特性，转换方法改善因子与收益线性关系，验证了遗传规划在挖掘多样化高效选股因子上的潜力，为多因子机器学习模型提供基础支持。[pidx::0][pidx::4][pidx::30]
本报告基于组合对称交叉验证（CSCV）框架，系统介绍回测过拟合概率（PBO）的定义与计算方法，并通过三组量化策略案例（7种机器学习多因子选股模型、6种交叉验证方法多因子选股模型及50ETF双均线择时模型）验证PBO的应用。关键图表显示，案例1、2多因子模型PBO较低，策略具有较强实盘可信度，案例3择时模型PBO较高，易呈现回测过拟合风险，提示择时策略需谨慎对待回测结果。[pidx::0],[pidx::4],[pidx::8],[pidx::11],[pidx::15]
本报告深入分析遗传规划在选股因子挖掘中的应用，定制改进gplearn工具，扩充函数集，并通过全A股量价数据回测，成功挖掘出6个具有稳定RankIC和增量信息的选股因子。测试中，因子经多维中性化处理后依然表现稳健，揭示遗传规划突破传统人工构因的思维局限，为特征工程提供新路径。[pidx::0][pidx::9][pidx::10][pidx::22]
本报告系统分析了机器学习选股模型中随机数的来源及其对模型表现的影响。通过对逻辑回归、XGBoost、随机森林和全连接神经网络四种算法在100组不同随机数种子下测试，发现逻辑回归表现最稳定，神经网络最不稳定，而XGBoost和随机森林介于两者之间。图表15、16清晰显示不同模型在准确率和AUC上的分布差异，揭示了随机数对模型性能的实质影响，提示投资者应关注随机数种子带来的结果不确定性并进行多种种子检验[pidx::0,pidx::15,pidx::21]
本报告系统运用Bootstrap重采样方法构建“平行A股市场”，模拟机器学习不同环节随机性，定量检验回测结果的过拟合风险。结合图表1、8、9所示，发现基于分组时序交叉验证的模型在平行市场中性能稳定优于K折及乱序递进式交叉验证，验证真实世界结论的稳健性。同时，三种Bootstrap方案的结果显示，样本内数据扰动对模型表现影响有限，样本外数据及回测时间的变动对结果影响更大，提醒研究者关注训练数据质量和回测时间选择的风险。[pidx::0],[pidx::4],[pidx::15],[pidx::22],[pidx::25]
本报告针对2017年以来A股市场月频调仓机器学习模型超额收益显著下滑的问题，基于XGBoost模型实证加快调仓频率（至周频）对提升选股模型表现的效果，结合组合优化方法控制换手率，实现年化超额收益率21.02%、信息比率3.86的最佳回测表现。图表显示，周频调仓模型相比月频模型在后半月超额收益更突出，并且在不同交易成本条件下表现稳健，强调高调仓频率带来的交易成本控制必要性，为量化选股调仓策略设计提供实证参考[pidx::0][pidx::3][pidx::9][pidx::10][pidx::12][pidx::13]
本文系统测试了多种数据标注方法对机器学习多因子选股模型训练与回测效果的影响。结果显示，XGBoost回归模型整体优于分类模型，不同标注方法如夏普比率、信息比率和Calmar比率标签训练的模型表现均符合各自目标，且通过等权集成模型XGBR-Combine综合提升策略稳定性和回测表现，年化超额收益率达到14.74%至18.22%，信息比率稳定在2.28~3.39之间，表现最佳。[pidx::0][pidx::13][pidx::23]
本报告基于金融时间序列数据，提出改进时序交叉验证的方法，包括建立更合理的基线模型和精准切分训练验证集，从而减轻机器学习模型（如逻辑回归和XGBoost）过拟合风险。通过对比六种交叉验证方法，分组时序交叉验证表现最佳，具体表现在测试集AUC、因子收益率及单因子分层回测中优于传统K折验证。同时，通过图表分析证实时序信息的保留是性能提升的主要原因，改进后的方法为金融机器学习模型调参提供了更科学有效的实践路径。[pidx::0][pidx::3][pidx::6][pidx::11][pidx::17]
