社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

【银河金工马普凡】基于深度学习预测与强化学习优化的指数增强策略——银河金工组合优化系列报告

中国银河证券研究 • 2 周前 • 72 次点击  

【报告导读】

1. 基于深度学习预测+强化学习优化的指数增强策略框架,从K线到权重一键生成决策结果。

2. 强化学习模型应用于组合优化问题,静态配置转化为动态决策。

3. PPO模型逐年滚动训练,双窗口+双门槛质量诊断筛选训练结果。

4. Banach自融资投影保障组合价值。

5. 深度学习预测+强化学习优化框架在沪深300、科创50等主流宽基指数表现较优。


核心观点

基于深度学习预测+强化学习优化的指数增强策略框架,从K线到权重一键生成决策结果:本文将指数增强问题拆分为连续衔接的八个环节:原始数据输入、统一清洗与标签构造、K线衍生特征工程、时序编码、截面关系聚合、多标签预测、强化学习组合优化以及执行与回测评估。本框架的核心优势在于以最基础的K线数据作为输入值,可一键实现收益风险信号预测和个股权重决策,为投资实践提供有效参考。

强化学习模型应用于组合优化问题,静态配置转化为动态决策:承接前序报告中深度学习模型预测的收益风险信号,我们将预测信号、基准权重、已有持仓、换手成本与跟踪误差约束共同纳入状态空间;动作空间定义为连续权重调整信号,经裁剪与Softmax映射为可执行的主动配置权重;奖励函数综合考量超额收益、因子暴露收益、跟踪误差惩罚、换手惩罚与集中度约束,使模型在追求长期超额收益的同时控制风险与交易成本,最大化组合综合表现。

PPO模型逐年滚动训练,双窗口+双门槛质量诊断筛选训练结果:PPO模型采用Actor-Critic架构,Actor输出连续动作分布、Critic估计状态长期价值,其核心优势在于通过裁剪替代目标函数限制新旧策略偏离幅度,提升训练稳定性。训练PPO模型时采用逐年滚动方式,沪深300以最近2-4年数据为纯训练集、最近一年为验证集,在验证集上划分双窗口、通过平均奖励与累计超额收益双门槛进行模型质量诊断,并对多个候选模型按验证集表现进行Softmax加权集成,以增强策略泛化能力。

Banach自融资投影保障组合价值:在PPO模型输出目标权重后,我们引入Banach不动点迭代求解调仓后组合规模,使组合价值、目标权重与交易成本相互一致,避免资金不自洽问题。PPO模型训练阶段默认交易成本为0,避免交易成本重复扣除;在回测阶段统一扣除真实交易成本。

深度学习预测+强化学习优化框架在沪深300、科创50等主流宽基指数表现较优:将以上指数增强框架分别应用于沪深300、科创50指数成分股,每年滚动训练深度学习与强化学习模型并预测下一年信号结果,在2020年7月31日至2026年5月29日回测区间内,沪深300指数增强策略实现年化收益率5.11%、年化超额收益4.26%;在2021年7月30日至2026年5月29日回测区间内,科创50指数增强策略实现年化收益率15.09%、年化超额收益12.52%。两个策略均在获得超额收益的同时降低了最大回撤幅度,且科创50增强结果相比凸优化显著改善,验证了深度学习预测+强化学习优化框架的有效性。

风险提示

报告结论基于历史价格信息和统计规律,但二级市场受各种即时性政策影响易出现统计规律之外的走势,所以报告结论有可能无法正确预测市场发展,报告阅读者需审慎参考报告结论。基金历史收益不代表未来业绩表现,文中观点仅供参考,不构成投资建议。


如需获取报告全文,请联系您的客户经理,谢谢!


【银河金工马普凡】时序截面三层深度学习模型预测收益风险信号——银河金工组合优化系列报告

本文摘自:中国银河证券2026年7月7日发布的研究报告《【银河金工】基于深度学习预测与强化学习优化的指数增强策略——银河金工组合优化系列报告

分析师:马普凡、刘璐



评级体系:

评级标准为报告发布日后的6到12个月行业指数(或公司股价)相对市场表现,其中:A股市场以沪深300指数为基准,新三板市场以三板成指(针对协议转让标的)或三板做市指数(针对做市转让标的)为基准,北交所市场以北证50指数为基准,香港市场以恒生指数为基准。

行业评级

推荐:相对基准指数涨幅10%以上。

中性:相对基准指数涨幅在-5%~10%之间。

回避:相对基准指数跌幅5%以上。

公司评级

推荐:相对基准指数涨幅20%以上。

谨慎推荐:相对基准指数涨幅在5%~20%之间。

中性:相对基准指数涨幅在-5%~5%之间。

回避:相对基准指数跌幅5%以上。


法律申明:

本公众订阅号为中国银河证券股份有限公司(以下简称“银河证券”)研究院依法设立、运营的研究官方订阅号(“中国银河证券研究”“中国银河宏观”“中国银河策略”“中国银河固收”“中国银河科技”“中国银河先进制造”“中国银河消费”“中国银河能源周期”“中国银河证券新发展研究院”)。其他机构或个人在微信平台以中国银河证券股份有限公司研究院名义注册的,或含有“银河研究”,或含有与银河研究品牌名称等相关信息的其他订阅号均不是银河研究官方订阅号。

本订阅号不是银河证券研究报告的发布平台,本订阅号所载内容均来自于银河证券研究院已正式发布的研究报告,本订阅号所摘录的研究报告内容经相关流程及微信信息发布审核等环节后在本订阅号内转载,本订阅号不承诺在第一时间转载相关内容,如需了解详细、完整的证券研究信息,请参见银河证券研究院发布的完整报告,任何研究观点以银河证券发布的完整报告为准。

本订阅号旨在交流证券研究经验。本订阅号所载的全部内容只提供给订阅人做参考之用,订阅人须自行确认自己具备理解证券研究报告的专业能力,保持自身的独立判断,不应认为本订阅号的内容可以取代自己的独立判断。在任何情况下本订阅号并不构成对订阅人的投资建议,并非作为买卖、认购证券或其它金融工具的邀请或保证,银河证券不对任何人因使用本订阅号发布的任何内容所产生的任何直接或间接损失或与此有关的其他损失承担任何责任,订阅号所提及的任何证券均可能含有重大的风险,订阅人需自行承担依据订阅号发布的任何内容进行投资决策可能产生的一切风险。

本订阅号所载内容仅代表银河证券研究院在相关证券研究报告发布当日的判断,相关的分析结果及预测结论,会根据银河证券研究院后续发布的证券研究报告,在不发出预先通知的情况下做出更改,敬请订阅者密切关注后续研究报告的最新相关结论。

本订阅号所转发的研究报告,均只代表银河证券研究院的观点。本订阅号不保证银河证券其他业务部门或附属机构给出与本微信公众号所发布研报结论不同甚至相反的投资意见,敬请订阅者留意。

《证券期货投资者适当性管理办法》于2017年7月1日起正式实施,通过微信订阅号发布的本图文消息仅面向银河证券客户中的机构专业投资者,请勿对本图文消息进行任何形式的转发。若您并非银河证券客户中的机构专业投资者,为保证服务质量、控制投资风险,请取消关注,请勿订阅、接收或使用本订阅号中的任何信息。

本订阅号所载内容的版权归银河证券所有,银河证券对本订阅号保留一切法律权利。订阅人对本订阅号发布的所有内容(包括文字、影像等)的复制、转载,均需注明银河研究的出处,且不得对本订阅号所在内容进行任何有悖原意的引用、删节和修改。

投资有风险,入市请谨慎。




Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/198554