AI系列研究之四:混合频率量价因子模型初探-241112-招商证券
在前期的研究中,我们发现不同频率的量价信息对于构建综合量价机器学习选 股模型相比于单一频率的量价数据有一定的增量贡献。 器学习模型进一步拓展到周频、日频、15min 频量价三个维度。
在前期的研究中,我们发现不同频率的量价信息对于构建综合量价机器学习选 股模型相比于单一频率的量价数据有一定的增量贡献。 器学习模型进一步拓展到周频、日频、15min 频量价三个维度。
在前期的研究中,我们发现不同频率的量价信息对于构建综合量价机器学习选 股模型相比于单一频率的量价数据有一定的增量贡献。 器学习模型进一步拓展到周频、日频、15min 频量价三个维度。
在前期的研究中,我们发现不同频率的量价信息对于构建综合量价机器学习选 股模型相比于单一频率的量价数据有一定的增量贡献。 器学习模型进一步拓展到周频、日频、15min 频量价三个维度。核心数据:今的表现来看,综合因子的周频 RankIC 达到 13.15%,全 A 分 20 组的多;头超额年化收益率达到 38.01%,显著超过基准的表现。;❑ 全市场选股的沪深 300 周频指增策略年化超额收益率为 13.75%,超额最大。
本报告由招商证券发布,发布于 2024 年。
覆盖 2024 年,全文共 20 页。
本报告免费查阅,登录资料宝后即可在线获取完整内容。
适合投资人、行业研究员等读者参考。
重点分析了沪深等议题。