基于卷积神经网络模型的市场择时策略-华西证券-20220828
由small_q创建，最终由small_q 被浏览 82 用户
摘要
量化择时交易策略
深度学习量化交易策略是从海量历史数据中利用统计原理通过数据挖掘和逻辑验证的方式发掘出超额收益来源。相比于传统的线性模型，深度学习模型的表示能力更强，能够学习的特征更多。本文以卷积神经网络为例，介绍深度学习模型在量化择时模型中的应用。
卷积神经网络感受野更宽，非线性表达能力更强，在收益率分类的场景下表现突出
卷积神经网络是一种常用的机器学习模型，相比于传统的全连接神经网络，卷积神经网络通过卷积层和池化层的结构,使得输出的感受野更宽，同时卷积核的权值是共享的，从而有效减少参数数量,卷积神经网络通过卷积层、池化层、全连接层不同块的组合结构设计，使得自动化的特征抽取成为可能，大大增强了神经网络的表示能力（模式识别能力） 相比于传统的线性分类模型和支持向量机等模型表现更加突出。
利用卷积神经网络实现的市场择时策略能够获得明显的超额收益
本文实现了利用指数不同的低纬度特征，例如技术指标数据等，进行特征抽取和收益率分类的模型，并且通过预测的收益率分类结果进行交易，在沪深 300 指数历史数据上进行回测，结果表明模型表现良好。
正文
/wiki/static/upload/e1/e1e4ceab-b38e-4a63-bf24-09555298dc24.pdf
\