2025年金融工程春季策略报告：AI赋能金工研究，量化配置稳健守正

AI模型训练深度学习因子--基于TCN/Timesnet/Master+GRU

循环神经网络（Recurrent Neural Network，简称RNN）是一种用于处理序列数据的神经网络架构，它通过引入循环结 构来记忆序列中的历史信息，从而能够对序列数据进行建模和预测。

长短期记忆网络（LSTM，Long Short-Term Memory）是一 种常用的时间循环神经网络，是为了解决一般的RNN（循环神 经网络）存在的长期依赖问题而专门设计出来的。 门控循环单元（GRU）：GRU是LSTM的简化版本，通过更新 门和重置门来控制信息的流动，结构更简单，训练效率更高。 在目前量化选股中应用最多。

时间卷积网络（Temporal Convolutional Network，简称TCN）是一种基于卷积神经网络（CNN）的时间序列建模方法，结 合了卷积神经网络的并行处理能力和循环神经网络（RNN）的长期依赖建模能力。 因果卷积（Causal Convolution）：TCN使用因果卷积，确保每个时间步的输出仅依赖于之前的时间步，而不依赖于未来的输入。这种设 计避免了“窥探未来”的问题。 扩张卷积（Dilated Convolution）：通过在卷积核的元素之间插入间隔，TCN可以在不增加额外计算量的情况下扩大感受野，从而捕捉更 长时间跨度的依赖关系。 并行计算：与RNN相比，TCN的卷积操作可以并行计算，大大提高了训练效率。  灵活的架构：TCN可以通过调整卷积核大小、扩张率和层数等参数，灵活地控制模型的感受野和复杂度。

MASTER（MArket-Guided Stock TransformER）是一种新型的股票价格预测模型，由上海交通大学和阿里巴巴的研究团队提出， 并在AAAI 2024会议上发表。该模型旨在通过模拟股票之间的瞬时和跨时间相关性，并利用市场信息进行自动特征选择，从而提高 股票价格预测的准确性和适应性。模型通过以下五个主要步骤实现股票价格预测： ① 市场导向门控（Market-Guided Gating）。构建一个代表当前市场状态的向量（包括市场指数价格和交易量信息），利用门控机制重新缩放特征向量，实 现市场导向的特征选择。这一机制能够根据市场变化动态调整特征的有效性。 ② 股内聚集（Intra-Stock Aggregation）。在每只股票的时间序列中聚合信息，生成局部嵌入，保留股票的时间局部细节。有助于捕捉单个股票的内部动态。 ③ 股间聚集（Inter-Stock Aggregation）。通过注意力机制计算股票之间的相关性，并聚合其他股票的局部嵌入，生成包含股票间信息的时间嵌入。能够捕捉股 票之间的瞬时和跨时间相关性。 ④ 时间聚集（Temporal Aggregation）.查询所有历史时间嵌入，生成综合的股票嵌入。这一步骤整合了股票的历史信息，为最终预测提供全面的特征表示。 ⑤ 预测（Prediction）。将综合的股票嵌入输入预测层，输出未来收益率的预测结果。

风格轮动策略2--价值成长轮动

月度模型，从宏观、估值、基本面三维度打分汇总。 将各个维度得分进行汇总，月度得到量化模型对价 值成长风格的总体打分。 纯量价周度模型，从深度学习、动量、拥挤度进行 打分汇总。根据纯量价信息构建周度打分模型补充 对风格的短期判断。  月度模型+主观分析得到月度观点，纯量价周度模 型进行月内调整。

月度模型：宏观、估值、基本面3个维度打分汇总。将各个维度得分进 行汇总，月度得到模型对价值成长风格的总体打分。 历史回测：由于指数在历史上失真，主要统计2016年之后的绩效表现。 在2016/01-2024/12，超额年化收益8.15%，月度胜率71.62%，历史 上指导轮动效果较好，除2015年外其他年份均战胜基准。

周度模型：纯量价层面的深度学习、动量、拥挤度3个因子打分汇总。 将各个因子得分进行汇总，周度得到纯量价模型对风格的打分。 历史回测：由于指数在历史上失真，主要统计2016年之后的绩效表 现。在2016/01-2024/12，超额年化收益7.19%，周度胜率58.80%， 从量价层面可以对月度观点起到补充调整。

大类资产配置策略ETF组合构建

Black-Litterman 模型的具体实现过程主要分四步。

(1)通过逆向优化，从市场均衡条件出发，得到关于资产预期收益的先验估计;

(2)将投资者的主观观点作为新的信息，计算观点分布;将先验分布和观点分布结合，使用贝叶斯方法计算资产预期收益的后验估计;

(4)将后验收益和后验协方差矩阵输入均值-方差模型中进行优化求解，得到具体的资产配置比例。

其中，市场均衡收益、后验分布的计算是重点，参数设置的合理性、主观观点的预测准确性是模型效果的关键。

在已经构建好宏观因子体系后，我们认为宏观风险配置策略可以沿着以下几个思路开展:宏观因子战术配置策略:通过对宏观因子的方向性预测，在基准组合基础之上调整因子暴露目标，D)再通过最优化求解得到资产组合。超额收益来源于宏观因子方向性预测的准确性，需要有事先观点

② 宏观风险平价策略:与桥水全天候策略的思路类似，其核心思想是将组合的宏观风险均匀地分布在各个宏观风险因子之中(对应桥水的4种宏观状态)，使得每个因子对组合整体风险的贡献相等。宏观风险的均匀分布可以降低组合的宏观敏感性，降低组合的波动。

③ 宏观风险预算策略:通过优化的方法，结合投资目标，将某些宏观因子的风险贡献控制在某个区间，或是将宏观风险控制目标结合到其他资产配置模型中，需要有事先观点。

④宏观风险最小化策略:通过优化的方法，将组合在各宏观风险上的暴露程度降低，尽量少地承担宏观风险，以减少宏观风险对组合表现的影响。

报告节选：