银河金工组合优化系列报告：时序截面三层深度学习模型预测收益风险信号.pdf

上传者：罗***
时间：2026/06/10
热度：59
0人点赞
举报

本报告构建了一种基于深度学习的指数增强策略框架，旨在解决传统静态因子在风格切换时失效的问题。框架将指数增强问题拆分为信号预测与组合优化两大环节。在信号预测端，报告构建了包含K线形态、动量趋势、风险波动及量价资金等多维特征的体系，并对不同特征组采用差异化预处理（G1组保留原始方向，G2/G3组进行Z-score标准化）。预测模型采用TimeEncoder-GraphSAGE-MLP三重特征提取架构：TimeEncoder通过Transformer捕捉时序长距离依赖；GraphSAGE通过市场统计驱动的图网络聚合邻居节点信息，识别截面联动；MLP输出超额收益、Sharpe比率和最大回撤三个多任务预测标签。损失函数结合RankIC与MSE，并通过滚动训练、早停等机制优化。在组合优化端，策略在均值-方差优化基础上，引入个股仓位、跟踪误差等硬约束及风险中性惩罚等软惩罚，将预测信号转化为动态权重。回测结果显示，该框架在沪深300指数增强策略中实现了显著的年化超额收益，且最大回撤低于基准；在科创50指数增强策略中也获得了正向超额收益，验证了深度学习模型在捕捉Alpha和控制风险方面的有效性。其中，最大回撤预测效果优于Sharpe比率，主要源于风险指标较强的自相关性。