本报告系统介绍了深度卷积GAN(DCGAN)及其改进模型W-DCGAN在多资产金融时间序列生成中的应用。实证表明，基于网络结构改进的DCGAN虽有效提升特征提取能力，但生成质量不尽理想。结合Wasserstein距离损失的W-DCGAN模型在多资产收益率序列的单资产和多资产评价指标（如自相关性、盈亏不对称性、Hurst指数及滚动相关系数等）上均显著优于DCGAN，并稍优于WGAN，较好地复现了真实金融序列的典型化事实。报告还详细阐述了三种模型的网络结构、训练算法及生成效果对比，验证W-DCGAN融合网络结构与损失函数改进的有效性[pidx::0,pidx::4,pidx::15,pidx::18,pidx::26].
本文基于随机森林模型，改进机器学习模型的灵活性，引入优先分裂因子机制，使投资者可指定关键风格因子（价值、成长、质量）优先参与模型决策。通过对中证800成分股的回测，证明该方法显著提升了对应风格因子的特征重要性和选股效果，增强模型的可控性和解释性，提供构建结合机器学习的SmartBeta策略新思路（图12、图18、图24所示回测净值均显示显著超越基准）[pidx::0][pidx::3][pidx::10][pidx::14]
本报告将生成对抗网络WGAN从单资产序列扩展至多资产序列生成，设计多资产典型化事实评价指标，结合相同类型和不同类型资产实证，验证WGAN生成序列在模拟单资产特性及多资产协变关系上的优势，且在多项指标上优于Bootstrap和MGARCH模型，体现更接近真实序列的统计特性和协同效应，为多资产时间序列模拟与金融市场风险管理提供新工具。[pidx::0][pidx::4][pidx::14][pidx::28]
本报告基于Wind金融新闻数据提取情感标签，构建新闻舆情因子，实证显示因子在沪深300表现最佳，TOP组合年化收益17.79%。利用前沿的BERT模型对金融新闻进行情感分类，测试样本外准确率高达98.26%。模型可解释性工具LIT揭示文本中关键字对预测结果的贡献，帮助解读BERT学习机制，促进另类数据在量化投资中的应用[pidx::0,pidx::4,pidx::9,pidx::17,pidx::22]
本报告系统介绍了相对生成对抗网络（RGAN）理论及其在金融时间序列生成中的应用。通过将传统GAN的绝对判别器转变为相对判别器，RGAN克服了生成器无法影响真样本判定的缺陷，有效提升了训练稳定性和模拟数据的真实性。报告实证显示，RGAN及其改进算法RaGAN在上证综指日频及标普500月频收益率序列生成中，尤其在长时程相关（Hurst指数）等关键指标上明显优于原始GAN，且能更准确反映真实市场特征。
本文深入研究了生成对抗网络（GAN）的一种重要变体Wasserstein GAN (WGAN)在金融时间序列生成中的应用，通过引入Wasserstein距离替代传统JS散度，有效解决了GAN训练不同步、收敛性差及模式崩溃等问题。结合上证综指日频和标普500月频收益率序列的实证分析，WGAN不仅显著提升了生成序列的真实性（如长时程相关性的Hurst指数改善明显），同时增强了多样性（基于动态时间规整DTW指标），特别是标普500月频数据上的表现更为突出，展现了WGAN在金融时序模拟领域的潜力和优势。[pidx::0][pidx::4][pidx::13][pidx::19][pidx::29]
本文基于华泰金工之前的AlphaNet-v1模型，分别从网络结构和特征两个角度提出了AlphaNet-v2和AlphaNet-v3两代模型改进方案。通过扩充比率类特征、引入LSTM/GRU层，有效提升了模型在全A股、中证800及中证500股票池上的选股表现。实验结果显示，AlphaNet-v2相比AlphaNet-v1在RankIC、ICIR及回测年化超额收益率均有显著提升，AlphaNet-v3在中证500成分股中进一步小幅超越AlphaNet-v2。报告还对比了AlphaNet和“遗传规划+随机森林”模型的优缺点，为人工智能选股模型的应用和发展提供了有力参考。[pidx::0][pidx::4][pidx::12][pidx::21]
本报告系统介绍了无监督学习中的两大核心方法流形学习与聚类算法，结合具体案例演示了这些方法在高维数据降维、股票产业聚类和因子投资风险溢价估计中的应用，图表1、3、11和20分别展示了无监督学习分类、具体降维案例、聚类效果及PCA三步法估计因子溢价的关键结论，深入挖掘金融数据内在结构与潜在因子特征，为智能投资提供方法论支持。[pidx::0,1,5,13,26]
本文设计了全新的端到端选股因子挖掘神经网络AlphaNet，结合遗传规划思想，自定义特征提取层及批标准化，实现在个股量价数据中挖掘增量信息。基于全A股量价数据，AlphaNet-v1合成因子在10天调仓周期RankIC均值达9.54%，年化超额收益率12.42%；5天调仓周期RankIC均值8.19%，年化超额收益率11.36%，表现显著优于传统因子，且通过SHAP模型解释工具验证因子特征重要性[pidx::0][pidx::6][pidx::13][pidx::16][pidx::21]
本报告系统介绍生成对抗网络（GAN）及其在量化投资领域的应用，重点训练不同市场和时间频率的股指收益率序列，利用六项金融特征指标综合评价。结果表明GAN生成的序列在自相关性、厚尾分布、波动率聚集、杠杆效应、粗细波动率相关与盈亏不对称性等指标上较Bootstrap和GARCH模型更好地复刻真实市场特征，体现其生成数据质量优异。此外报告通过双均线择时策略参数选择案例，展示GAN在检验量化策略回测过拟合上的潜力，启示GAN可成为量化投资数据模拟和风险评估的新工具[pidx::0,pidx::14,pidx::15,pidx::16,pidx::18,pidx::20,pidx::23]
本报告系统探讨了在人工智能选股模型中采用另类标签（信息比率与Calmar比率）相较于传统收益率标签的优势，结合全A股及指数成分股的多训练期长度测试表明，另类标签在超额收益、信息比率和Calmar比率表现更优，且通过多模型集成能进一步提升选股稳定性和收益表现，因子重要性分析揭示因子权重差异，提供量化选股模型优化路径。[pidx::0][pidx::6][pidx::11][pidx::32]
本报告系统介绍六种机器学习模型解释方法（特征重要性、ICE、PDP、SDT、LIME、SHAP），并以华泰XGBoost选股模型为案例，揭示其如何运用价量及基本面因子进行选股。分析发现：价量类因子整体重要性高于基本面因子，模型展示了因子的非线性使用逻辑，尤其在市值、反转、技术、情绪因子上体现明显。此外，SHAP方法能够从全局及个体层面直观呈现特征边际贡献和因子交互作用，推荐作为首选解释工具，为资管行业提供机器学习可解释性实务方案。[pidx::0][pidx::6][pidx::30]
本报告基于卷积神经网络模型，通过真假序列识别方法验证市场量价序列是否存在可识别模式。模拟实验确认网络能识别不同复杂度的收益率模式，且可视化技术揭示模式位于序列特定局部。实证研究显示股指日频收益率近似随机，分钟频收益率存在显著模式，尤其集中于开盘后30分钟和收盘前1小时；个股及因子日频难以识别模式，股指期货、中高频商品期货表现较好。统计检验与机器学习结论一致，说明市场有效性受交易制度及时间频率影响，为主动投资择时提供新视角。[pidx::0][pidx::4][pidx::8][pidx::29]
本报告以机器学习方法，重点采用卷积神经网络（CNN）对真假市场价量序列识别展开研究。通过价格收益率和换手率序列构建真实与虚假样本，CNN能有效识别真假序列，尤其基于换手率的模型表现优异，而基于纯收益率或传统技术指标的识别能力不足。神经网络Grad-CAM可视化揭示模型主要依赖换手率序列中的局部特征，提示技术分析中“量”的信息或比“价”更为有效，较大挑战了纯基于价格的技术分析的可靠性，为市场规律的挖掘提供新思路。[pidx::0],[pidx::7],[pidx::10],[pidx::16],[pidx::25],[pidx::26]
本报告基于遗传规划选股因子挖掘，提出因子互信息和多头超额收益两种新适应度指标，增强了因子捕捉非线性收益关系的能力。通过三次方回归残差法和多项式拟合法改进非线性因子应用，并引入交叉验证环节控制过拟合。测试包括20多个因子，分层测试显示互信息因子呈现“中间层收益高，两端低”特性，转换方法改善因子与收益线性关系，验证了遗传规划在挖掘多样化高效选股因子上的潜力，为多因子机器学习模型提供基础支持。[pidx::0][pidx::4][pidx::30]
本报告基于组合对称交叉验证（CSCV）框架，系统介绍回测过拟合概率（PBO）的定义与计算方法，并通过三组量化策略案例（7种机器学习多因子选股模型、6种交叉验证方法多因子选股模型及50ETF双均线择时模型）验证PBO的应用。关键图表显示，案例1、2多因子模型PBO较低，策略具有较强实盘可信度，案例3择时模型PBO较高，易呈现回测过拟合风险，提示择时策略需谨慎对待回测结果。[pidx::0],[pidx::4],[pidx::8],[pidx::11],[pidx::15]
本报告深入分析遗传规划在选股因子挖掘中的应用，定制改进gplearn工具，扩充函数集，并通过全A股量价数据回测，成功挖掘出6个具有稳定RankIC和增量信息的选股因子。测试中，因子经多维中性化处理后依然表现稳健，揭示遗传规划突破传统人工构因的思维局限，为特征工程提供新路径。[pidx::0][pidx::9][pidx::10][pidx::22]
