金融工程专题分析报告：基于LSTM神经网络的择时融合多因子选股策略

证券研究报告|金融工程专题2025年11月14日基于LSTM神经网络的择时融合多因子选股策略摘要本报告提出了一种多维度指数日频择时框架，旨在通过仓位择时优化绝对收益策略和股指期货策略的绩效。框架基于多维度因子体系，包括80个分析师预期因子、134个资金流因子、43个高频聚合低频特征，以及2020年后引入的深度学习因子（涵盖日频LSTM模型和高频分时数据LSTM模型）。深度学习因子预测框架以未来一天收益为目标，利用日度和分时数据捕捉隔夜信号，并采用改进的MADL损失函数进行方向判断。通过信号融合将三类基础因子与两类深度学习因子聚合，形成最终择时信号，回测结果显示多空策略年化收益达46%（夏普比率2.37），仅多头策略年化收益23%。此外，策略进一步融合选股模型以增强收益结构。本框架验证了仓位择时的可行性和有效性，为量化投资提供了稳健的解决方案。风险提示：本报告所有分析均基于公开信息，不构成任何投资建议；若市场环境或政策因素发生不利变化将可能造成行业发展表现不及预期；报告采用的样本数据有限，存在样本不足以代表整体市场的风险，且数据处理统计方式可能存在误差；过往业绩不代表未来表现；历史规律总结仅供参考，或不会完全重演。2目录

策略逻辑基础因子：资金流+分析师预期高频因子聚合低频改进的madl损失函数:lstm在日度跟分钟信号上的择时多模态信号聚合择时叠加选股策略风险提示3多策略择时信号叠加➢多信号叠加方式预期数据起始于：2014年资金流数据起始于：2012年港股通数据起始于：2017年高频数据聚合：2010年深度学习lstm因子：2020年资料 ：华福证券研究所绘制 4主要框架➢多维度指数日频择时框架仓位择时的必要性：对于追求绝对收益策略以及股指期货策略而言，仓位择时都相对比较重要。仓位择时的可行性：日频择时胜率，多头空头均能达到54%，包含多空策略扣费后年化46%，夏普比例2.37，卡尔玛3.58。仅多头策略扣费后也有23%稳健收益，多维度因子体系基础因子：分析师预期80个扩展因子：资金流因子134个高频因子低频化聚合：43个深度学习因子（202011月后)日频基础价量：LSTM的日频因子7个基础因子高频因子：基于分钟行情数据构建的特征LSTM模型。（共包含开盘价、最高价、最低价、收盘价、成交量、成交额和成交笔数7个基础特征，以及其他技术指标44个）深度学习因子预测框架将日度数据的预测目标明确为未来一天的收益。利用日度以及分钟数据捕捉隔日信号，并聚合生成指数级别判断。#应用改进的MADL损失函数而非mse，适用于指数方向判断。信号融合将三类基础因子与两类深度学习因子聚合成最终信号，不管是多空策略还是仅多头策略都较为稳健。融合选股策略在择时策略基础上，叠加选股策略以进一步优化收益结构。5目录

◼策略逻辑◼基础因子：资金流+分析师预期◼高频因子聚合低频◼改进的madl损失函数:lstm在日度跟分钟信号上的择时◼多信号聚合◼择时叠加选股策略◼风险提示6基础因子➢资金流以及分析师预期因子与未来一天开盘收益的相关性我们将资金流因子与分析师因子为集合，计算与hs300指数第二天开盘到第三天开盘的收益相关性，将前30个展示如右图在右图中可以看到：预测息税折旧摊销前利润复合增长率，预测净资产收益率同比增长率，预测归属母公司的净利润和开盘收益的相关性比较高。与认知有差异的地方在于相关性并非为正，而是呈现出负相关性。资金流因子尤其是流出相关的因子与第二天正相关性高，净流入量是负相关性，说明隔夜有反转特征。

聚源表格特征名称相关性相关性绝对值中文名字Index_ProfitForecastFEBITDAGrowRate-5.82%5.82%预测息税折旧摊销前利润复合增长率(%)Index_ProfitForecastFROEYOY-5.81%5.81%预测净资产收益率同比增长率(%)Index_ProfitForecastFNPParentComOwners-5.58%5.58%预测归属母公司的净利润(万元)Index_ProfitForecastFGrossIncomeGrowRate-5.08%5.08%预测毛利率复合增长率(%)Index_CaptialFlowNetBuyVolume-5.02%5.02%净流入量(股)Index_ProfitForecastFOperatingIncome-4.95%4.95%预测营业收入(万元)Index_ProfitForecastFEBITDAYOY-4.93%4.93%预测息税折旧摊销前利润同比增长率(%)Index_PForecastFTMFNPParentComOwners-4.93%4.93%预测归属母公司的净利润(万元)Index_ProfitForecastFNetProfit-4.90%4.90%预测净利润(万元)Index_CaptialFlowNetBuyValue-4.78%4.78%净流入金额(元)Index_PForecastFTMFOperatingIncome-4.64%4.64%预测营业收入(万元)Index_ProfitForecastFBPS-4.58%4.58%预测每股净资产Index_ProfitForecastFGrossIncomeRatioYOY-4.57%4.57%预测毛利率同比增长率(%)Index_ProfitForecastFOperatingCost-4.54%4.54%预测营业成本(万元)Index_PForecastFTMFOperatingCost-4.47%4.47%预测营业成本(万元)Index_PForecastFTMFNetProfit-4.47%4.47%预测净利润(万元)Index_ProfitForecastFDPS-4.46%4.46%预测每股股利Index_ProfitForecastFTotalProfit-4.45%4.45%预测利润总额(万元)Index_CaptialFlowSellVolume_L4.33%4.33%流出量(大单)Index_ProfitForecastForecastYear-4.32%4.32%预测年度Index_PForecastFTMFEBITDA-4.30%4.30%预测息税折旧摊销前利润(万元)Index_ProfitForecastFGrossIncomeCoverRate-4.27%4.27%毛利率预测公司覆盖率(%)Index_CaptialFlowSellVolume4.27%4.27%总流出量(股)Index_PForecastFTMFOperatingProfit-4.24%4.24%预测营业利润(万元)Index_ProfitForecastFROEGrowRate-4.23%4.23%预测净资产收益率复合增长率(%)Index_ProfitForecastFOperatingCostCoverRate-4.22%4.22%营业成本预测公司覆盖率(%)Index_PForecastFTMFTotalProfit-4.11%4.11%预测利润总额(万元)Index_CaptialFlowSellVolume_XL4.04%4.04%流出量(超大单)Index_CaptialFlowFinanceReFundValue3.99%3.99%融资偿还额(元)Index_ProfitForecastFNPParentComOwnersYO-3.97%3.97%预测归属母公司的净利润同比增长率(%)资料 ：Wind，华福证券研究所 7基础因子➢分析师预期因子信号净值表现分析师预测相关因子16我们对80个分析师预期因子来做测试。5以沪深300为基准，分别按照因子历史阈4值20%、40%、60%、80%为阈值，相关性定方向来做测试。分析师因子在2014年3之后才开始测试。2第一组中因子FEPSYOY在80%阈值下表现较好，年化收益14.45%、其次是预测净1资产收益同比增长率等等。02014/1/22015/1/22016/1/22017/1/22018/1/22019/1/22020/1/22021/1/22022/1/22023/1/22024/1/22025/1/2预测每股收益同比增长率(%)预测净利润复合增长率(%)预测净资产收益率同比增长率(%)预测净利润同比增长率(%)预测毛利率基准feature特征名称阈值分位数start_dateend_datedays累计收益年化收益波动率夏普最大回撤胜率FROEYOY预测净资产收益率同比增长率(%)q802014/1/22025/11/328778.5021.81%23.08%0.97-0.4752.94%FNPParentComOwnersYOY预测归属母公司的净利润同比增长率(%)q802014/1/22025/11/328775.2517.41%23.09%0.81-0.4752.24%FNetProfitGrowRate预测净利润复合增长率(%)q802014/1/22025/11/328775.1017.17%23.09%0.80-0.4752.10%FTotalProfitGrowRate预测利润总额复合增长率(%)q802014/1/22025/11/328774.6616.40%23.09%0.77-0.4752.17%FNetProfitYOY预测净利润同比增长率(%)q802014/1/22025/11/328774.6316.34%23.09%0.77-0.4752.10%FEPSYOY预测每股收益同比增长率(%)q602014/1/22025/11/328773.6614.45%23.10%0.70-0.4751.69%FEBITDAYOY预测息税折旧摊销前利润同比增长率(%)q802014/1/22025/11/328773.4914.06%23.10%0.69-0.4752.80%FROEYOY预测净资产收益率同比增长率(%)q602014/1/22025/11/328773.2213.45%23.10%0.66-0.4752.03%FNPParentComOwnersGrowRate预测归属母公司的净利润复合增长率(%)q802014/1/22025/11/328773.2113.42%23.10%0.66-0.4751.96%FROEGrowRate预测净资产收益率复合增长率(%)q802014/1/22025/11/328772.9712.84%23.10%0.64-0.4752.17%FNPParentComOwnersYOY预测归属母公司的净利润同比增长率(%)q602014/1/22025/11/328772.6211.93%23.10%0.60-0.4851.20%FEBITDAGrowRate预测息税折旧摊销前利润复合增长率(%)q802014/1/22025/11/328772.2310.83%23.11%0.56-0.4752.80%FGrossIncomeRatio预测毛利率q602014/1/22025/11/328772.0810.37%23.11%0.54-0.5250.64%FGrossIncomeRatioYOY预测毛利率同比增长率(%)q602014/1/22025/11/328772.0410.24%23.11%0.54-0.4352.17%FGrossIncomeRatio预测毛利率q802014/1/22025/11/328772.0210.16%23.11%0.53-0.4750.92%benchmark_nav基准hs3002002/1/42025/11/357802.535.65%26.81%0.34资料：Wind，华福证券研究所8基础因子➢分析师预期因子信号净值表现第二组中因子FNetProfitYOY在80%阈值下表现较好，年化收益16.34%、其次是预测每股受益同比增长率等等。第三组中因子FNPParanetComOwnersGrowRate在80%阈值下表现较好，年化收益13.42%、其次是预测净资产收益率复合增长率等等。第四组中因子FGrossIncomeRatioYOY在60%阈值下表现较好，年化收益10.24%、其次是预测毛利率等等。分析师预期因子354.543.532.521.510.50预测净资产收益率复合增长率预测归属母公司的净利润同比增长率预测毛利率预测归属母公司的净利润复合增长率

分析师预期因子276543210预测净利润同比增长率预测每股收益同比增长率预测息税折旧摊销前利润同比增长率预测净资产收益率同比增长率预测毛利率分析师预期因子465432102014/1/22016/1/22018/1/22020/1/22022/1/22024/1/2预测息税折旧摊销前利润复合增长率(%)预测毛利率预测毛利率同比增长率资料 ：Wind，华福证券研究所 9基础因子资金流因子信号净值表现我们以沪深300为基准，对资金流因子43个进行测试。其中总计沪深港通持股比例表现较好，年化收益达到14.89%，但是该因子与第二天收益也是负相关性。总计净买入金额因子4.543.532.521.510.502016/11/292017/2/222017/5/152017/8/22017/10/252018/1/112018/4/92018/6/282018/9/132018/12/72019/3/52019/5/272019/8/132019/11/62020/1/232020/4/202020/7/132020/9/282020/12/222021/3/172021/6/82021/8/252021/11/192022/2/142022/5/92022/7/262022/10/192023/1/52023/3/302023/6/212023/9/82023/12/42024/2/282024/5/222024/8/82024/11/42025/1/212025/4/172025/7/92025/9/24总计净买入金额基准

沪深港通股持股比例因子3.532.521.510.50沪深港通股持股比例 基准流出量因子6543210流出量 基准feature特征名称阈值分位数start_dateend_datedays累计收益年化收益波动率夏普最大回撤胜率HK_Holdratio沪深港通持股比例(%)q802017/3/172025/11/320962.1714.89%20.30%0.78-0.3351.29%TotalNetBuyValue总计净买入金额q202016/11/292025/11/321682.0813.98%20.07%0.75-0.4551.57%SellVolume_M流出量(中单)q602012/7/92025/11/332363.0511.51%22.91%0.59-0.4851.20%资料：Wind，华福证券研究所10目录

◼策略逻辑◼基础因子：资金流+分析师预期◼高频因子聚合低频◼改进的madl损失函数:lstm在日度跟分钟信号上的择时◼多信号聚合◼择时叠加选股策略◼风险提示11高频因子低频化特征构造➢特征概览我们需要从高频因子中构造出合适的特征。针对已经提取的分钟数据，通过聚合日度提取出一些常用，高效，噪声低的高质量特征，包括7大类共计43个细分因子。资料 ：华福证券研究所绘制

特征名称计算方式市场含义日内波动率分钟收益率标准差市场当日波动程度捕捉市场情绪和风险指数加权波动率EWM(span=12)标准差近期波动率更敏感分时段波动率比率上午波动率/下午波动率波动率的日内分布模式变化跳跃频率大收益率(>2σ)出现频率市场异常波动频率跳跃强度大收益率的平均幅度异常波动的强度波动率聚集性收益率平方的一阶自相关GARCH效应，波动持续性尾盘成交占比最后30分钟成交量/总成交量机构调仓、隔夜持仓意愿成交量模式特征：反开盘成交占比前30分钟成交量/总成交量隔夜信息消化、开盘活跃度成交量集中度75分位数/25分位数成交量分布的集中程度映资金流向和参与度大单活跃度大单(前20%)交易次数占比机构或大资金参与程度尾盘突击成交量比尾盘15分钟/之前15分钟成交量比收盘前资金突击行为尾盘突击收益率比尾盘15分钟/之前15分钟收益率比收盘前价格冲击程度日收益率(收盘-开盘)/开盘当日整体价格方向日内价格区间(最高-最低)/开盘当日价格波动范围价格动量与趋势特征：效率比率|日收益率|/日内价格区间价格运动的有效性趋势强度价格线性趋势的R²趋势的明确程度识别价格动能和趋势反转模式高低点出现顺序(先高后低=-1,先低日内反转模式识别强度后高=1)动量加速度近期动量变化动能加速或衰减均线交叉信号MA5与MA20相对位置短期趋势方向均线梯度(MA5-MA20)/MA20趋势强度RSI模拟基于收益率的RSI计算超买超卖状态技术指标特征：量价背离价格趋势×成交量趋势量价配合程度支撑阻力位置当前价相对于支撑阻力位关键技术位突破压力价格路径复杂度价格方向变化频率价格路径的曲折程度市场微观结构特征平均成交金额趋势平均成交金额的线性趋势大单活跃度变化大单交易比例大单交易次数占比机构参与程度午盘效应午盘时段vs其他时段波动率比午间交易特征时间模式特征午盘波动效应午盘波动率/非午盘波动率午间流动性特征开盘集中效应前30分钟成交占比开盘信息释放尾盘集中效应尾盘30分钟成交占比收盘定价行为波动率持续性波动率3日自相关波动模式的延续性跨日时序特征成交量模式持续性尾盘占比5日波动率成交量模式稳定性动量延续性连续3日同向运动趋势持续性波动率Regime波动率vs20日均值高波动/低波动状态技术指标动量技术指标的3日变化率指标动能12高频因子低频化特征构造➢特征与目标的相关性与未来一天收益opentoopen的相关性abs我们发现右边的一些特征更够直接与指12.00%10.00%数未来一天收益形成高相关性；8.00%成交量失衡因子：上涨min相当于下跌6.00%4.00%min对应的成交量占比；2.00%price_vs_support：当前价格相对于支撑0.00%位的位置；越小越高。价量背离：日内价量趋势的一致性高低；日内成交量：成交量与指数收益有显然的正相关关系：price_vs_resistance：距离阻力位置越远，收益率越高。abs_correlationfeatureion特征名特征类别correlationabs_correlatprice_vs_resistance支撑阻力位置技术指标特征-10.76%10.76%price_volume_divergence量价背离技术指标特征8.63%8.63%price_vs_support支撑阻力位置技术指标特征-8.55%8.55%intraday_volatility_ewm指数加权波动率波动率模式特征8.17%8.17%daily_high_low_ratio日内高低价比其他特征5.55%5.55%intraday_range日内价格区间价格动量与趋势特征5.54%5.54%reversal_pattern反转模式价格动量与趋势特征5.43%5.43%volatility_regime波动率Regime跨日时序特征4.39%4.39%daily_volume_mean日均成交量其他特征4.11%4.11%intraday_volatility日内波动率波动率模式特征3.84%3.84%intraday_trend_strength_momentum趋势强度动量其他特征3.82%3.82%daily_volume_std成交量标准差其他特征3.75%3.75%intensity_ratio强度比率其他特征3.16%3.16%资料：Wind，华福证券研究所13高频因子低频化特征构造➢优秀聚合因子择时净值展示reversal_pattern反转模式87我们对相关性较高的信号测试了他们对未来一天opentoopen的预测效65果，分别按照不同阈值20%、40%、60%、80%百分位测算；4321price_volume_divergence：日内价量趋势的一致性高低（对close和volume进行线性拟合，并将拟合的结果相乘作为量价背离指标）price_vs_support：先计算日内支撑位，当前收盘价比支撑位的距离reversal_pattern：判断日内是先低后高还是先高后低，如果日内先低后benchmark_navreversal_pattern_quantile(0.20)高，指标值为-1；日内先高后低，指标值为140price_vs_support支撑阻力位置price_volume_divergence量价背离35302530201525102051501050benchmark_navprice_vs_support_quantile(0.20)price_vs_support_quantile(0.40)price_vs_support_quantile(0.60)benchmark_navprice_volume_divergence_quantile(0.20)price_vs_support_quantile(0.80)price_volume_divergence_quantile(0.40)price_volume_divergence_quantile(0.60)特征阈值累计净值年化收益率年化波动夏普比例胜率最大回撤price_volume_divergence_quantile(0.80)q204.6812.10%23.13%61.01%51.80%-42.67%price_volume_dq4014.6919.85%23.11%89.97%52.82%-27.18%特征阈值累计净值年化收益率年化波动夏普比例胜率最大回撤ivergenceq6032.3525.94%23.09%111.52%53.58%-26.20%q2018.3821.52%23.10%96.01%53.42%-26.78%q8012.4118.62%23.11%85.47%52.53%-33.61%price_vs_resiq4063.2231.48%23.07%130.31%54.51%-22.43%q208.5115.97%23.12%75.70%52.90%-48.79%stanceq6078.2133.31%23.06%136.34%55.45%-23.53%price_vs_suppoq4031.5925.75%23.09%110.88%54.62%-36.14%q803.039.61%23.13%51.30%52.19%-50.04%rtq605.2712.83%23.12%63.84%53.13%-33.27%q801.014.70%23.14%31.46%50.63%-54.47%资料：Wind，华福证券研究所14目录

◼策略逻辑◼基础因子：估值+盈利+分析师预期◼高频因子聚合◼改进的madl损失函数:lstm在日度跟分钟信号上的择时◼多信号聚合◼择时叠加选股策略◼风险提示15采用MADL的LSTM模型➢预测涨跌状态时，MADL比MSE更适合做损失函数LSTM通过其内部的记忆单元和门控机制逐步处理输入序列，能够有效捕捉时间依赖性。输入层→[LSTM+BatchNorm]×N→全连接层→Tanh激活→输出层参数配置作用输入维度input_dim特征数量隐藏层[512,256,128]深度特征提取批归一化每层LSTM后训练稳定性激活函数Tanh输出范围(-1,1)正则化Dropout防止过拟合

时序数据输入分钟数据技术特征多维度特征拼接LSTM时序记忆单元遗忘门输入门输出门隐藏状态传递批归一化非线性激活特征深度压缩时序聚合全连接映射Tanh激活预测信号资料 ：华福证券研究所绘制 16通过调整损失函数的LSTM来预测hs300指数价格➢损失函数mse对比损失函数madl平均绝对方向损失MADL（MeanAbsoluteDirectionalLoss)公式如下其中：Rᵢ是第i天的实际观测收益率Rᵢ̂是第i天的模型预测收益率sign(X)是符号函数，abs(x)是绝对值函数。N是总预测次数MADL核心优势在于直接优化预测方向的正确性，而非数值精度。它通过一个与真实收益率绝对值成正比的奖惩机制，对正确预测给予奖励，并对错误预测施加惩罚，从而更符合实际交易中“方向比精度更重要”的原则。该函数非常适用于股票涨跌预测、择时策略以及各类方向性交易决策。MADL损失函数在预测涨跌中的优势场景真实收益MSE优化预测MADL优化预测MSE损失MADL损失方向正确性上涨5%5%3%2%0.04%-0.05（奖励）都正确下跌4%-4%-2%-3%0.04%-0.04(奖励）都正确上涨6%6%-1%1%0.49%0.06（惩罚）vs-0.06(奖励）MSE错误下跌3%-3%2%-1%0.25%0.03（惩罚）vs-0.03(奖励）MSE错误资料 ：华福证券研究所绘制 17沪深300择时策略-日频特征➢基于lstm模型的沪深300多空择时策略沪深300择时策略收益（多）与lstm_MADL0.80.2输入数据：选取过去20日的daily_bar行情作为模型输入，0.60共包含开盘价、最高价、最低价、收盘价、成交量、0.4-0.20.2-0.4损失函数：调整后MADL预测lable:第二天open到第三天open0-0.6预测值与实际值相关性6%-0.2-0.8频率：日频-0.4-1仅空头：低于阈值-0.5时候做空，其余时候空仓，2020/11/182021/11/182022/11/182023/11/182024/11/18多头：高于-0.3时候做多，其余时候空仓，沪深300择时沪深300LSTM(右轴）仓位类型次数（多头）占比（多头）次数（空头）占比（空头）空仓(0%)909次79.90%908次79.80%满仓(100%)229次20.10%230次20.20%多头空头策略总收益率50.73%59.77%基准总收益率-15.51%-15.51%超额收益率66.23%75.27%策略年化收益率9.51%10.93%基准年化收益率-3.66%-3.66%策略年化波动率12.35%15.87%夏普比率0.77040.689最大回撤-19.03%-9.60%调仓次数1138次1138次资料：Wind，华福证券研究所

均值(mean)-71.86%标准差(std)14.95%最小值(min)-92.16%25%分位数(25%)-81.05%中位数(50%)-76.34%75%分位数(75%)-68.02%最大值(max)25.53%

沪深300择时策略收益（空）与lstm_MADL0.80.20.600.4-0.20.2-0.40-0.6-0.2-0.8-0.4-12020/11/182021/11/182022/11/182023/11/182024/11/18沪深300择时沪深300LSTM(右轴）18沪深300择时策略-日频特征➢基于lstm模型的沪深300多空择时策略我们运用lstm模型进行沪深300择时，策略总收益率高达140.81%，超额收益率为156.32%，胜率54.17%。远远高于基准，最大回撤19%。策略结果策略总收益率140.81%基准总收益率-15.51%超额收益率156.32%策略年化收益率21.48%基准年化收益率-3.66%策略年化波动率20.08%夏普比率1.0698最大回撤-19.03%调仓次数1138次仓位分布仓位类型次数占比-100%仓位90879.80%空仓(0%)10.10%满仓(100%)22920.10%资料：Wind，华福证券研究所

沪深300择时策略收益（多空）与lstm_MADL21.510.50-0.5沪深300择时 沪深300 LSTM（右轴） 19

0.60.40.20-0.2-0.4-0.6-0.8-1沪深300择时策略-基于分钟数据的测试➢基于分钟数据的lstm_MADL预测hs300价格输入数据：选取一日的分钟bar行情作为模型输入，共包含开盘价、最高价、最低价、收盘价、成交量、成交额和成交笔数7个基础特征，以及其他技术指标44个。所有特征在日内240分钟上做时序标准化。损失函数：改进的MADL预测lable:第二天open到open预测值与实际值相关性6.9%频率：日频

序号大类名称因子名称因子中文名计算方法用途1收益率特征returns_1min1分钟收益率(当前价格-1分钟前价格)/衡量短期价格变动1分钟前价格2收益率特征returns_5min5分钟收益率(当前价格-5分钟前价格)/衡量短期价格变动5分钟前价格收益率特征returns_15min15分钟收益率(当前价格-15分钟前价格)/衡量中短期价格变动15分钟前价格4收益率特征returns_30min30分钟收益率(当前价格-30分钟前价格)/衡量中期价格变动30分钟前价格收益率特征returns_60min60分钟收益率(当前价格-60分钟前价格)/衡量中长期价格变动60分钟前价格6移动平均线sma_55期简单移动过去5期收盘价的算术平均短期趋势判断平均7移动平均线sma_1010期简单移动过去10期收盘价的算术平均短期趋势判断平均8移动平均线sma_2020期简单移动过去20期收盘价的算术平均中期趋势判断平均9移动平均线sma_3030期简单移动过去30期收盘价的算术平均中期趋势判断平均10移动平均线sma_6060期简单移动过去60期收盘价的算术平均长期趋势判断平均11移动平均线ema_55期指数移动指数加权移动平均，权重递短期趋势判断，对近期平均减价格更敏感12移动平均线ema_1212期指数移动指数加权移动平均，权重递MACD计算的快线平均减13移动平均线ema_2626期指数移动指数加权移动平均，权重递MACD计算的慢线平均减14技术信号sma_cross_5_15日线与10日SMA5>SMA10时为1，否则短期趋势转换信号0线交叉信号为015技术信号sma_cross_10_10日线与20日SMA10>SMA20时为1，否中期趋势转换信号20线交叉信号则为016技术信号ema_cross_12_12日线与26日EMA12>EMA26时为1，否MACD基础信号26线EMA交叉信则为017价格位置price_position_价格相对20日(当前价格-SMA20)/衡量价格偏离均线程度sma20均线位置SMA2018价格位置price_position_价格相对60日(当前价格-SMA60)/衡量价格偏离长期均线sma60均线位置SMA60程度19波动率指标volatility_55期波动率过去5期收益率的标准差衡量短期价格波动

序号大类名称因子名称因子中文名计算方法用途23布林带指标bb_position布林带位置(价格-下轨)/(上轨衡量价格在布林带-下轨)中的相对位置24布林带指标bb_width布林带宽度(上轨-下轨)/中轨衡量市场波动性25摆动指标rsi_1414期相对强弱100-100/(1+判断超买超卖状态指数RS)，RS=平均涨幅/26趋势指标macdMACD差离值EMA12-EMA26趋势变化和动量分析27趋势指标macd_signalMACD信号线MACD的9期EMAMACD买卖信号趋势指标macd_histogramMACD柱状图MACD-MACD信号趋势强度和转折点线成交量指标volume_ratio_1010期成交量比当前成交量/10期衡量成交量相对活平均成交量跃度成交量指标volume_ratio_2020期成交量比当前成交量/20期衡量成交量相对活平均成交量跃度31成交量指标vpt_sma成交量价格趋VPT的20期移动平均结合价格和成交量势均线的趋势分析32价格结构high_low_ratio最高最低价比最高价/最低价衡量当期价格波动率幅度33价格结构close_open_ratio收盘开盘价比收盘价/开盘价衡量当期价格变化率方向34价格结构high_close_ratio最高收盘价比最高价/收盘价衡量收盘价相对最率高价位置35价格结构low_close_ratio最低收盘价比最低价/收盘价衡量收盘价相对最率低价位置36波动率指标atr_1414期平均真实真实波幅的14期移衡量价格波动性，波幅动平均用于止损设置37动量指标momentum_55期动量当前价格/5期前价衡量短期价格动量格38动量指标momentum_1010期动量当前价格/10期前衡量中短期价格动价格量39动量指标momentum_2020期动量当前价格/20期前衡量中期价格动量价格40摆动指标williams_r威廉指标-100*(最高价-收判断超买超卖状态盘价)/(最高价-最41摆动指标k_percent随机指标K值100*(收盘价-最低KDJ指标的K线价)/(最高价-最低20波动率指标volatility_1010期波动率过去10期收益率的标准差衡量短期价格波动21波动率指标volatility_2020期波动率过去20期收益率的标准差衡量中期价格波动22波动率指标volatility_3030期波动率过去30期收益率的标准差衡量中期价格波动

42摆动指标d_percent随机指标D值K值的3期移动平均KDJ指标的D线43其他指标price_acceleratio价格加速度收益率的一阶差分衡量价格变化的加n速度44其他指标vwap_ratioVWAP比率收盘价/成交量加权衡量价格相对成交平均价量加权均价的位置资料 ：华福证券研究所绘制 20沪深300择时策略-基于分钟数据的测试➢叠加分钟特征：分别拟合多头空头叠加分钟特征后，策略总收益率高达50.15%，超额收益率为65.34%，远远高于基准。多头胜率为51.16%。空头胜率54.42%。策略结果策略总收益率50.15%基准总收益率-15.19%超额收益率65.34%策略年化收益率9.40%基准年化收益率-3.58%策略年化波动率15.03%夏普比率62.54%最大回撤-19.03%调仓次数211140仓位分布仓位类型出现次数占比空仓(0%)66758.50%满仓(100%)47341.50%资料：Wind，华福证券研究所

沪深300择时策略收益（多分钟数据）与lstm_MADL0.60.40.20-0.2-0.42020/11/182021/11/182022/11/182023/11/182024/11/18沪深300择时沪深300沪深300择时策略收益（空分钟数据）lstm_MADL0.60.40.20-0.2-0.42020/11/18 2021/11/18 2022/11/18 2023/11/18 2024/11/18沪深300择时 沪深300沪深300择时策略-基于分钟数据的测试➢叠加分钟特征：择时效果（包含多空）叠加分钟特种后，策略总收益率高达139.86%，超额收仓位分布益率为155.05%，远远高于基准。胜率为47.61%仓位类型出现次数占比我们根据预测值的不同选择不同的仓位，预测值小于-0.1-100%仓位56649.60%对应空仓，预测值在-0.1和0.1之间对应30%仓位，预测空仓(0%)13211.60%值在0.1和0.6之间对应50%仓位，预测值在0.6到1之间对满仓(100%)44238.80%应80%仓位，其余情况对应满仓策略结果策略总收益率139.86%基准总收益率-15.19%超额收益率155.05%策略年化收益率21.34%基准年化收益率-3.58%策略年化波动率18.89%夏普比率112.93%最大回撤-19.03%调仓次数1140

沪深300择时策略收益（多空分钟数据）与lstm_MADL2.521.510.50-0.5沪深300择时 沪深300资料 ：Wind，华福证券研究所 22目录

◼策略逻辑◼基础因子：估值+盈利+分析师预期◼高频因子聚合◼改进的madl损失函数:lstm在日度跟分钟信号上的择时◼多信号聚合◼择时叠加选股策略◼风险提示23多策略择时信号叠加➢多信号叠加方式预期数据起始于：2014年资金流数据起始于：2012年港股通数据起始于：2017年高频数据聚合：2010年深度学习lstm因子：2020年2015年之后

高频数据聚合低频

高频数据聚合低频2020年之后资金流数预期数据据资金流数预期数据据

深度学习 深度学习分钟因子 日度因子资料 ：华福证券研究所绘制 24多策略择时信号叠加➢高频因子低频化我们将高频数据聚合低频策略起始时间定位2010年。该策略以沪深300为基准，从绝对收益角度来看效果较好，年化收益17.98%（扣费后），最大回撤发生在2010年。该策略胜率53.67%，包含多空信号，单边换手132倍年化，手续费按照单边万一计算。信号表现高频数据聚合低频信号120181614121086420基准 累计收益不扣费 累计收益扣费

信号起始日期年化收益率年化波动率夏普比例最大回撤胜率换手高频数据聚合低频2010/1/1217.98%23.06%0.78-29.34%53.67%131.77分年度收益表现年份年化收益率年化波动率最大回撤夏普比例2010-3.30%26.93%-29.34%-0.1220116.26%22.23%-16.82%0.28201214.97%20.14%-8.40%0.742013-3.22%22.29%-22.93%-0.14201426.05%20.29%-12.04%1.28201518.84%43.61%-28.50%0.43201651.69%20.46%-7.91%2.53201711.53%10.85%-12.58%1.06201810.37%22.33%-16.23%0.46201937.66%19.18%-7.59%1.96202027.59%24.85%-16.59%1.11202118.84%19.94%-17.40%0.94202225.93%19.11%-15.88%1.36202318.69%15.88%-8.07%1.1820249.08%27.13%-23.10%0.33202513.38%16.45%-12.65%0.81资料 ：Wind，华福证券研究所 25多策略择时信号叠加➢分析师预期数据等权：2014年至今我们将分析师预期信号策略起始时间定位2014年。该策略以沪深300为基准，从绝对收益角度来看效果较好，年化收益17.80%（扣费后），最大回撤发生在2015年。该策略胜率52.07%，包含多空信号，单边换手1.23倍年化，手续费按照单边万一计算。信号表现信号起始日期年化收益率年化波动率夏普比例最大回撤胜率换手分析师预期数据2014/1/217.80%23.09%0.77-46.92%52.07%1.23分析师预期信号28分年度收益表现7年份年化收益率年化波动率最大回撤夏普比例6201462.37%20.15%-10.12%3.092015-6.59%43.63%-43.07%-0.1552016-4.07%20.72%-18.00%-0.204201719.95%10.80%-6.28%1.853201811.13%22.33%-11.74%0.502201941.53%19.17%-13.28%2.17202027.31%24.88%-15.95%1.1012021-3.47%19.99%-18.13%-0.170202236.03%19.09%-17.35%1.8920231.09%15.92%-16.00%0.07202413.34%27.14%-15.06%0.49基准累计收益不扣费累计收益扣费202520.82%16.34%-10.51%1.27资料：Wind，华福证券研究所26多策略择时信号叠加➢资金流因子等权：2015年至今我们将资金流信号策略起始时间定位2012年。该策略以沪深300为基准，从绝对收益角度来看效果较好，年化收益17.93%（扣费后），最大回撤发生在2015年。该策略胜率51.78%，包含多空信号，单边换手46.52倍年化，手续费按照单边万一计算。信号表现信号起始日期年化收益率年化波动率夏普比例最大回撤胜率换手资金流数据2012/7/917.93%22.87%0.78-29.45%51.78%46.52资金流信号净值分年度收益表现12年份年化收益率年化波动率最大回撤夏普比例102012-5.59%19.42%-18.07%-0.29201310.07%22.27%-14.59%0.458201423.85%20.32%-14.65%1.17201544.47%43.52%-29.45%1.0262016-6.77%20.61%-19.90%-0.33201713.22%10.52%-9.17%1.264201825.51%22.27%-16.74%1.152201940.75%19.17%-13.28%2.13202027.31%24.88%-15.95%1.100202144.64%19.81%-13.35%2.2520229.90%19.21%-13.94%0.522023-14.70%15.89%-17.08%-0.93基准累计收益不扣费累计收益扣费202413.34%27.14%-15.06%0.49202520.82%16.34%-10.51%1.27资料：Wind，华福证券研究所27多策略择时信号叠加➢LSTM分钟频因子：2020年至今我们将LSTM分钟频因子策略起始时间定位2020年。该策略以沪深300为基准，从绝对收益角度来看效果较好，年化收益22.17%（扣费后），最大回撤发生在2025年。该策略胜率54.21%，包含多空信号，单边换手121.34倍年化，手续费按照单边万一计算。信号表现分钟频因子LSTM信号起始日期年化收益率年化波动率夏普比例最大回撤胜率换手3.5lstm日频因子2020/11/1822.17%20.07%1.10-17.89%54.21%121.343分年度收益表现2.5年份年化收益率年化波动率最大回撤夏普比例22020-8.17%14.60%-9.21%-0.561.520212.62%18.25%-15.12%0.141202217.08%17.81%-9.37%0.960.5202345.97%14.40%-5.21%3.190202470.76%25.92%-11.49%2.732020/11/182021/11/182022/11/182023/11/182024/11/182025-12.01%15.98%-20.08%-0.75基准累计收益不扣费累计收益扣费资料：Wind，华福证券研究所28多策略择时信号叠加➢LSTM日频因子：2020年至今我们将LSTM日频因子策略起始时间定位2020年。该策略以沪深300为基准，从绝对收益角度来看效果较好，年化收益35.49%（扣费后），最大回撤发生在2022年。该策略胜率53.80%，包含多空信号，单边换手31.45倍年化，手续费按照单边万一计算。信号表现信号起始日期年化收益率年化波动率夏普比例最大回撤胜率换手日频因子lstmlstm日频因子2020/11/1822.17%20.07%1.10-17.89%54.21%121.343分年度收益表现2.52年份年化收益率年化波动率最大回撤夏普比例1.52020-5.83%15.34%-6.67%-0.38120215.69%19.99%-9.78%0.280.5202241.52%19.05%-17.75%2.182020-11-182021-11-182022-11-182023-11-182024-11-18202314.18%15.88%-9.68%0.89000:00:0000:00:0000:00:0000:00:0000:00:00202442.31%27.04%-10.73%1.56基准累计收益不扣费累计收益扣费202513.47%16.30%-9.37%0.83资料：Wind，华福证券研究所29基于三要素叠加➢基于分析师预期、资金流因子、高频聚合低频因子的三信号叠加择时三信号起始时间有差异，为了尽可能全面涵盖三信号，我们将策略起始时间定位2015年。该策略以沪深300为基准，从绝对收益角度来看效果较好，年化收益35%（扣费后），最大回撤发生在2015年。该策略胜率54%，包含多空信号，单边换手80倍年化，手续费按照单边万一计算。多信号融合的收益高于单信号信号表现三信号合成信号起始日期年化收益率年化波动率夏普比例最大回撤胜率换手30三信号合成2015/1/535.49%23.25%1.53-27.88%53.80%80.47分年度收益表现2520年份年化收益率年化波动率最大回撤夏普比例2015105.32%43.29%-27.88%2.4315201643.24%20.47%-12.97%2.1110201718.71%10.60%-8.27%1.77201822.66%22.29%-13.75%1.025201940.75%19.17%-13.28%2.130202027.31%24.88%-15.95%1.10202131.57%19.88%-15.04%1.59202264.62%18.88%-6.34%3.42基准累计收益不扣费累计收益扣费20231.47%15.91%-13.10%0.09202413.34%27.14%-15.06%0.49202520.82%16.34%-10.51%1.27资料：Wind，华福证券研究所30基于五要素叠加➢基于分析师预期、资金流因子、高频聚合低频因子、深度学习日频分钟频的五信号叠加择时五信号起始时间有差异，我们将策略起始时间定位2020年11月。该策略以沪深300为基准，从绝对收益角度来看效果较好，年化收益46%（扣费后），最大回撤发生在2024年。该策略胜率54.87%，包含多空信号，单边换手82倍年化，手续费按照单边万一计算。五信号融合的收益高于三信号融合，说明lstm深度学习因子带来的预测有增量信息五信号对比三信号聚合信号表现87信号起始日期年化收益率年化波动率夏普比例最大回撤胜率换手五信号合成2020/11/246.09%19.47%2.37-12.89%54.87%82.2065分年度收益表现4年份年化收益率年化波动率最大回撤夏普比例320203.09%15.05%-5.89%0.212202131.56%18.68%-8.24%1.691202268.70%18.76%-6.53%3.660202331.16%15.59%-7.36%2.00020/10/302021/10/302022/10/302023/10/302024/10/302025/10/202477.56%26.49%-12.89%2.93基准五信号累计收益不扣费五信号累计收益扣费202518.11%16.09%-12.23%1.13三信号累计收益不扣费三信号累计收益扣费资料：Wind，华福证券研究所31三信号仅包含多头测试➢基于分析师预期、资金流因子、高频聚合低频因子、深度学习日频分钟频的三信号多头叠加择时三信号起始时间有差异，我们将策略起始时间定位2015年1月。该策略以沪深300为基准，从绝对收益角度来看效果较好，年化收益18.71%（扣费后），最大回撤发生在2015年。该策略胜率53.25%，仅包含多头信号，单边换手34倍年化，手续费按照单边万一计算。三信号融合（仅多头）信号表现8起始日期年化收益率年化波动率夏普比例最大回撤胜率换手72015/1/518.71%19.77%94.67%-22.90%53.25%34.09分年度收益表现65年份年化收益率年化波动率最大回撤夏普比例201543.46%34.14%-22.90%127.29%4201618.61%14.50%-10.91%128.36%3201721.14%8.94%-5.68%236.38%22018-5.05%16.97%-11.85%-29.78%201941.14%19.16%-13.28%214.70%1202027.31%24.88%-15.95%109.79%0202110.53%14.20%-13.30%74.14%202216.07%12.72%-8.24%126.39%2023-6.09%13.67%-14.55%-44.54%202413.34%27.14%-15.06%49.16%基准累计收益不扣费累计收益扣费202520.82%16.34%-10.51%127.43%资料：Wind，华福证券研究所32五信号仅包含多头测试➢基于分析师预期、资金流因子、高频聚合低频因子、深度学习日频分钟频的五信号多头叠加择时五信号起始时间有差异，我们将策略起始时间定位2020年11月。该策略以沪深300为基准，从绝对收益角度来看效果较好，年化收益23.13%（扣费后），最大回撤发生在2024年。该策略胜率54.63%，仅包含多头信号，单边换手41倍年化，手续费按照单边万一计算。五信号融合仅多头的收益高于三信号仅多头，说明lstm深度学习因子带来的预测有增量信息信号表现五信号融合仅多头起始日期年化收益率年化波动率夏普比例最大回撤胜率换手3.52020/11/223.13%15.72%147.12%-12.93%54.63%41.103分年度收益表现2.52年份年化收益率年化波动率最大回撤夏普比例1.520206.59%12.32%-3.29%53.52%1202113.70%8.36%-4.44%163.84%0.5202216.68%11.93%-6.66%139.76%020238.76%12.91%-9.59%67.86%2020/11/22021/11/22022/11/22023/11/22024/11/2202444.80%25.49%-12.61%175.76%基准累计收益不扣费累计收益扣费202522.29%14.94%-8.96%149.21%资料：Wind，华福证券研究所33目录

◼策略逻辑◼基础因子：估值+盈利+分析师预期◼高频因子聚合◼改进的madl损失函数:lstm在日度跟分钟信号上的择时◼多信号聚合◼择时叠加选股策略◼风险提示34alpha158+lightGBM选股策略➢alpha158在中证全指里面选股Lightgbm训练方法：扩展训练12周训练一次模型,预测的lable是未来一期的收益率排序rank.在分组收益中，以沪深300为基准，Group5表现最佳，年化超额达到17.65%，夏普比率70.44%分年度表现近十年稳定跑赢中证全指.累计收益率年化收益率年化波动率夏普比率最大回撤benchmark-0.1079-1.20%24.13%-4.97%-61.36%group_1-0.9487-26.96%24.11%-111.82%-96.27%group_2-0.2876-3.52%25.22%-13.97%-72.22%group_30.43143.87%24.64%15.69%-59.79%group_41.19118.65%24.22%35.72%-48.58%group_53.650817.65%25.06%70.44%-33.27%group_5_excess4.213219.08%5.55%344.01%-8.65%alpha158策略6543210group_1 group_2 group_3 group_4 group_5

分年度分组收益表现对比yeargroup_1group_2group_3group_4group_5b