【广发金工】股价预测之多模态多尺度

广发安宁宁 2026-06-11 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 3 /5

核心内容

报告在《基于卷积神经网络的股价走势AI识别与分类》初版基础上提出多模态多尺度模型，核心改进为(1)输入端扩展为4路模态数据；(2)每个子模型轻量化；(3)输出端采用回归+分类双头端到端训练。4路子模型分别为：日度价量数据图表→CNN、日频时序数据→时序模型、高频因子(1分钟频55特征)→时序模型、周度价量数据图表→CNN。各子模型输出特征融合后送入双头预测层。

经济逻辑

不同模态和尺度数据表征同一标的价量信息但捕获信息有差异：时序模型擅长抽象数量变化关系(涨跌幅、序列依赖)，CNN擅长形态走势识别(图形结构、趋势形态)。高频数据反映日内博弈但缺乏长周期趋势，日频/周频有效补充长周期信息。通过多模态多尺度融合可同时捕获短期博弈与中长期趋势，提升预测能力。

超额收益逻辑

超额收益来源于(1)图像模态捕获价量形态走势(如K线组合、MA交叉、MACD背离等图形信号)；(2)时序模态捕获抽象数值变化关系；(3)高频因子捕获日内博弈微观结构；(4)周频模态捕获中长期趋势。多模态融合使不同模型在信息表征上互补(时序因子与图像因子相关仅35%)，多尺度覆盖日内/日/周不同周期，双头输出增强预测稳健性。与Barra风格因子低相关说明Alpha来源非传统风格暴露。

构造细节 [model]

模型架构

多模态多尺度融合网络。结构：(1)分支A-日度CNN：输入20日标准化价量图表(K线+MA5/MA10+成交量+MACD)，经轻量化CNN(特征维度为初版1/4)提取图像特征；(2)分支B-周度CNN：输入周度价量图表，结构同分支A；(3)分支C-日频时序模型：输入20日价量原始序列，经GRU/Transformer提取时序特征；(4)分支D-高频时序模型：输入1分钟频55特征多日序列，经GRU提取高频因子特征。4路特征在融合层拼接后送入双头输出层：回归头(输出未来绝对收益，MSE损失)+分类头(输出涨/平/跌概率，交叉熵损失)，两损失加总后端到端反向传播。推理时结合两个分支的预测结果生成最终因子值。

输入

日度价量数据图表(20日窗口，含K线/MA/成交量/MACD)周度价量数据图表日频时序价量数据(20日)1分钟频价量数据(55组日度化高频因子，多日序列)

输出

未来股价绝对收益(回归头)+涨/平/跌概率(分类头)，融合后作为个股因子值，用于10分档分组

训练

端到端训练，损失=回归MSE+分类交叉熵，加总后梯度回传；训练集2008.01-2016.12，验证集2017.02-2019.11，样本外回测2020.01-2024.10；多路径回测取均值；每个子模型轻量化参数压缩；推理可在轻薄笔记本运行

数据输入

: (日频): (周频): (日频): (1分钟)

组合方式

4路子模型特征融合后端到端训练；输出端结合回归头与分类头预测结果作为最终因子值

绩效

8.7%

RankIC均值(全市场)

86.7%

RankIC胜率(全市场)

12.97%

多头超额年化收益率(全市场)

9.17%

多头超额年化收益率(沪深300)

5.30%

多头超额年化收益率(中证500)

8.38%

多头超额年化收益率(中证800)

7.47%

多头超额年化收益率(中证1000)

7.47%

多头超额年化收益率(国证2000)

11.52%

多头超额年化收益率(创业板)

基准: 各对应板块指数（中证全指、沪深300、中证500等）

回测期: 2020/01/01~2024/10/31

多模态多尺度模型在全市场等多个指数中RankIC均值较高，10分档收益单调性显著，多头组合均取得显著超额收益，且与Barra风格因子相关性较低。

收益归因

报告分析了模型因子与Barra风格因子的相关性，发现与流动性因子、波动率因子和市值因子有一定负相关，但未进行严格的收益归因分解。

缺口: 未进行收益归因分析。

稳健性

子样本稳定性: 在7个不同宽基指数(全市场/沪深300/中证500/中证800/中证1000/国证2000/创业板)上RankIC均值6.6%-10.4%、胜率69.0%-89.2%，均有正贡献，多头超额5.30%-12.97%，整体稳定。小盘(国证2000/创业板/全市场)表现优于大盘(沪深300/中证500)。

风格偏差: 与Barra风格因子相关性较低：流动性因子-18%、波动率因子-16%、市值因子-8%，其余更低；轻微负向暴露于流动性/波动率/市值，表明模型略偏向低流动/低波动/小盘，但整体暴露幅度有限。

跨指数稳定有效，小盘股效果更佳；风格暴露较低，Alpha来源独立于传统Barra因子；轻量化设计降低过拟合风险。

数据依赖

所需数据: A股全市场个股(1)日频价量数据(开高低收+成交量)；(2)周频价量数据；(3)1分钟频价量数据(用于构建55组高频日度因子)；时间跨度2008-2024年；选股范围覆盖全市场及7个宽基指数成分股

可复现性: hard

数据需求量大，需分钟频历史数据(2008年起)及完整价量序列；55组高频因子具体定义未公开；CNN/时序模型具体网络层数、超参数、融合方式等架构细节未完全披露；图表生成标准化规则未明确。可复现整体框架但需自行填补大量工程细节。

新颖性评估 [新组合]

创新不在于单一技术点(CNN/GRU/高频因子均为成熟技术)，而在于多模态多尺度的组合架构设计：将日/周度价量图表CNN与日频/高频时序模型四路融合，配合轻量化与双头输出，实现信息互补。核心创新为工程组合而非算法原创。

不足与缺陷

55组高频因子具体定义完全未披露，无法直接复现
4个子模型的网络结构(层数、hidden size、卷积核大小、融合层设计等)仅给出概念描述，缺乏可复现的架构细节
图表标准化方法(归一化范围、颜色编码、尺寸分辨率)未明确
训练超参数(学习率、batch size、epoch、optimizer、正则化)均未给出
回归头与分类头预测结果如何融合为最终因子值的具体公式未说明
训练集2008-2016年，回测2020-2024年，跨度长达12年未滚动训练，存在市场环境变化风险
未进行严格的收益归因(Barra/行业归因)，仅报告相关性
多头组合具体构建方式(等权/市值加权、股票数量)未明确
多路径回测的具体路径数和路径差异未披露
换仓周期固定20日可能非最优，未对不同换仓周期做敏感性分析

可复用元素

多模态融合思路：图像与时序因子相关仅35%，验证了不同模态信息互补性，可指导后续多分支模型设计
轻量化设计理念：多模态多尺度易过拟合，每个子模型压缩参数量(如CNN特征维度1/4)是务实做法
高频因子日度因子化：将分钟频数据降维为55个日度因子再送入时序模型，平衡信息量与复杂度
双头输出(回归+分类)：联合损失端到端训练，结合绝对收益与涨跌方向信息
图表输入设计：K线+MA+成交量+MACD三位一体的标准化图表，信息密度高
训练/验证/回测间留1月间隔防数据暴露的严谨做法
7个宽基指数横向对比验证，且包含小盘(国证2000)和创业板，覆盖面广

启发

图像与时序模态低相关(35%)可推广至其他数据类型融合(如文本情绪+时序、另类数据+量价)
高频因子日度化的降维思路可应用于其他高频数据(如逐笔成交、龙虎榜)的因子化处理
轻量化多分支架构可迁移至其他多源数据场景，避免简单堆叠大模型导致过拟合
双头输出思路可扩展为多头(如回归+分类+排序)以提升鲁棒性
周频图表模态可进一步扩展为月频/季频，捕获更长周期趋势

改进方向

将价量图表的固定标准化改为自适应标准化：对每个截面按当期全市场分位数归一化K线价格区间和成交量，而非按个股历史区间；同时引入注意力机制在4路特征融合时自动学习各模态权重，替代简单拼接

基于: 报告中4路特征融合方式未明确且图表标准化方法未披露；截面标准化可消除个股间量纲差异，注意力融合可替代固定权重拼接预期收益: 预期RankIC均值提升0.5-1.5%，尤其是在横截面分散度大的小盘股池(国证2000/全市场)中效果更显著；注意力权重还可作为模态贡献度的可解释性工具

引入滚动训练机制：每半年/一年使用最近8年数据重新训练模型，替换固定2008-2016训练集；同时加入对抗训练(在输入价量数据上施加小幅扰动)增强模型对市场结构变化的鲁棒性

基于: 报告自身在展望中提到'结合滚动训练等方式能够进一步提升预测能力'，且训练集与回测间隔过大(12年)存在分布漂移风险预期收益: 预期在2022-2024年市场风格切换期RankIC稳定性提升，胜率提升2-5个百分点；对抗训练可降低极端行情下的预测波动

将55组高频因子替换为基于深度学习的高频特征自动提取：用1D-CNN或TCN直接对1分钟频价量序列做特征提取，替代手工因子化；同时在输出端增加排序学习目标(ListMLE/Pairwise Loss)替代纯MSE回归

基于: 相似逻辑(高频数据→特征提取→时序模型)但构造不同：用端到端深度特征提取替代55个手工因子，用排序损失替代回归损失，更贴合选股排序需求预期收益: 预期RankIC均值提升1-2%，因排序损失直接优化相对排序而非绝对收益；自动特征提取可能发现手工因子未捕获的微观结构模式

复现计划

1.数据准备：获取A股全市场2008-2024年日频价量(开高低收+成交量)及1分钟频价量数据；2.图表生成：用matplotlib生成20日窗口标准化价量图表(K线+MA5/MA10+成交量+MACD)，日频和周频各一套；3.高频因子化：自行设计55组分钟频因子(可参考常用高频因子如开盘集合竞价特征、尾盘特征、日内波动率、成交量分布矩等)；4.模型构建：4路分支(2个轻量化CNN+2个GRU)，特征拼接后双头输出(MSE+CrossEntropy)；5.训练：2008-2016训练，2017-2019验证，端到端优化；6.回测：2020-2024，20日换仓，t+1均价买卖，双边千三，10分档。关键难点：55组高频因子定义需自行设计、CNN架构需调试、图表标准化规则需自行确定。建议先用日频CNN+日频GRU两路复现核心效果，再逐步加入高频和周频模态。