神经网络算法下的风格轮动策略
由bqtnziby创建，最终由bqtnziby 被浏览 45 用户
我们之前已经介绍过几个风格轮动的策略了，本质上依据的就是股票市场长期存在的“强市炒成长、弱市求稳健”的轮动策略。
1.神经网络算法
1.1算法核心原理
神经网络是一种模仿人脑神经元连接结构的机器学习模型，擅长处理多维度、非线性的复杂数据关系。其核心优势在于通过多层网络结构自动学习数据中的隐藏规律，无需人工预设特征映射关系，能更精准捕捉市场风格背后的复杂驱动逻辑。
1.2神经网络架构设计
我们采用的是全连接神经网络，具体的结构如下：
- 输入层：接收 6 个核心市场特征（市场广度指标 breadth_ma20、短期动量 avg_mom5、长期动量 avg_mom20、平均波动率 avg_vol20、主力资金占比 main_rate_avg、日均收益率 avg_return_1d），构成 6 维输入向量。
- 隐藏层：包含两层全连接层（Dense 层），第一层设置 128 个神经元，第二层设置 64 个神经元，均采用 ReLU 激活函数，有效增强模型的非线性拟合能力；两层隐藏层后分别加入 dropout 层（ dropout 率 10%），通过随机失活部分神经元避免模型过拟合，提升泛化能力。
- 输出层：1 个神经元，采用线性激活函数，输出市场未来短期（5 日）平均收益率预测值，作为风格判断的核心依据。
隐藏层详解
隐藏层是整个算法中的核心部分，神经网络算法对非线性关系的捕捉就在这一层进行。
- ReLU（Rectified Linear Unit）开关：事实上就是一个ReLU函数
假设神经网络上的一个神经元接收到了两个市场特征：市场广度（x_1）和短期动量(x_2)，则该神经元计算过程为：
然后经过ReLU函数激活：
如果二者加权相加的结果为正数，则输出结果就为其本身（强化这个信号），如果为负数，则输出“0”（压制这个信号，相当于关闭这个神经元输出的信号）。这种 “要么激活、要么关闭” 的机制，让神经元的输出不再是 “输入的线性叠加”，而是引入了折线式的非线性变化—— 画在图上，ReLU 的图像是 “从 0 开始的折线”，而非直线，这就实现了 “非线性加工”。
- dropout层：这是神经网络算法中很有意思的一个设计。可以想象人的顺势思维，事实上就是神经偷懒了，按照以前思考过的过程直接给出输出。而设置dropout层会让10%的神经元“轮休”，防止神经元死记硬背历史数据（会增大过拟合风险），提高泛化能力。
1.3神经网络算法输出作用
通过神经网络对历史市场数据进行训练，学习特征与未来收益率的映射关系，进而每日输出市场风格预测信号。当预测值大于 0 时，判定为强市风格；当预测值小于等于 0 时，判定为弱市风格，为后续股票池切换提供量化依据。
2.策略执行流程
2.1数据准备与预处理
（1）训练数据准备（2024.01.01-2024.12.31）
- 数据范围：全市场非 ST、上市满 260 天的股票，提取日线级别基础数据与资金流数据。
- 特征工程：构建 6 个核心特征（breadth_ma20、avg_mom5 等），确保数据无缺失值。
- 标签定义：以股票未来 5 日平均收益率（target_future_avg_return_5d）作为模型训练标签，实现 “特征 - 未来收益” 的映射学习。
（2）实盘数据准备（2025.01.01-2025.11.20）
- 特征数据：与训练阶段保持一致的 6 个核心特征，确保数据口径统一。
- 股票评分数据：计算每只股票的小盘分数（smallcap_score）与低波动分数（lowvol_score），为后续选股提供依据。
2.2神经网络模型训练与预测
（1）模型训练参数
- 损失函数：使用均方误差（MSE），最小化预测值与真实收益率的偏差。
- 训练配置：批次大小（batch_size）256，训练轮次（epochs）10，保证模型充分学习且不发生过拟合。
- 正则化：通过 dropout 层（rate=0.1）与合理的网络规模，抑制模型过拟合。
（2）市场风格预测
将实盘阶段的特征数据输入训练好的神经网络，输出每日市场未来 5 日平均收益率预测值。通过每日预测值的均值计算，生成市场风格信号（regime_on）：预测值大于 0 则为强市（regime_on=1），否则为弱市（regime_on=0）。
2.3股票池切换与选股
- 强市阶段（regime_on=1）：选用小盘分数（smallcap_score）作为选股依据，优先选择小盘特征显著的标的。
- 弱市阶段（regime_on=0）：选用低波动分数（lowvol_score）作为选股依据，优先选择波动率低的标的。
- 选股数量：每日从对应股票池中筛选评分最高的前 10只股票，构成当日持仓组合。
2.4交易执行
- 调仓周期：每 5 个交易日调仓一次，平衡收益捕捉与交易成本。
- 仓位管理：单只股票目标权重约 19.8%（总仓位 99%），等权分配，分散风险。
- 交易成本：买入成本 0.03%，卖出成本 0.13%（最低 5 元），贴合实际市场交易规则。
- 基准指数：以沪深 300 指数作为业绩对比基准，衡量策略超额收益。
3.回测结果
模型学习时间为2024年1月1日-2024年12月31日，回测时间为2025年1月1日-2025年11月20日
4.注意及改进方向
（1）神经网络算法擅长捕捉非线性关系，这是优势，但同时也造成其比随机森林更容易受到噪声的干扰，不宜选过长的训练时间（包含过多的政策因素等噪声）。
（2）后续配合随机森林算法和ARIMA模型进行更精准、更抗噪声的预测模型。
（3）对神经网络算法的迭代次数进行考察：增加“早停”设置，设计自动寻找最优的迭代次数的过程，防止欠拟合和过拟合。
（4）提交模拟交易的话把代码中固定随机状态的RANDOM_SEED逻辑去掉。
策略代码：https://bigquant.pro/square/ai/75152532-c743-f5ca-568b-0ae9e2799d8e