本实验基于华泰证券的公开研究,研究研报收录在了github上:
https://github.com/qolaris-tech/qreport/blob/main/research/基于全频段量价特征的选股模型.pdf
本实现基于微软Qlib
实现要点:实现多任务GRU模型
原文核心要点如下:
![](https://gbres.dfcfw.com/Files/iimage/20240717/0636AC3106FB1917D44E12D5D796E4B9_w1080h1277.webp)
研究报告清晰给出了loss计算和训练数据以及超参数,本实现首先实现多任务GRU模型:
模型源码地址:
https://github.com/qolaris-tech/qlib/blob/main/qlib/contrib/model/pytorch_gru_m.py
模型效果
低频多任务模型效果如下:
使用掘金客户端 回测时间:2021.01.01-2024-07.05
![](https://gbres.dfcfw.com/Files/iimage/20240717/89B0E59CD86B667E10A4D644DDCDA076_w1080h335.webp)
模型年化收益15个点左右,夏普0.4,波动比较大,低频融合模型实际表现中规中矩。
继续读原研究报告:
![](https://gbres.dfcfw.com/Files/iimage/20240717/EBC154A2707E6CB29B0724C6A0E72D1E_w1080h800.webp)
原研究使用了单独的高频训练模型和低频多任务融合模型
本研究选取低频多任务模型权重0.7,高频模型权重0.3,在原研究之外,本实验在订单决策时只有标的score排名同时在2个模型前40位才买入,下面看全频段融合模型实验结果:
![](https://gbres.dfcfw.com/Files/iimage/20240717/8392419F2889BAD2276100AC02A60969_w1080h369.webp)
可以看到年化收益以及夏普比例大幅增加。
比较2次实验区别,主要在于第二次实验回撤大幅减少,进而提高了各项指标,进一步分析仓位图:
![](https://gbres.dfcfw.com/Files/iimage/20240717/839219ADC4777AAABD79EA664B2B87C6_w1080h290.webp)
![](https://gbres.dfcfw.com/Files/iimage/20240717/019C13F29B9E28389E371BFE70C83858_w1080h267.webp)
第二次实验仓位会动态变化,而且变化方向和沪深300指数涨跌具备一定相关性。而第一次实验基本全部满仓。究其原因,在于当下跌时高频模型和低频融合模型的预测分歧会变大。
本实验除了提供多任务gru模型外,并无其他具体实现细节,因原研报说明比较详细,如有兴趣可以认真阅读原研报。
作者声明:个人观点,仅供参考
追加内容
本文作者可以追加内容哦 !