沪深300多视角注意力神经网络选股系统

基于多视角注意力神经网络（MVAN）的A股智能选股模型。本项目使用沪深300成分股的技术面因子，通过深度学习方法预测短期股票走势，从而辅助智能选股。

项目概述

该项目旨在提出一种多视角注意力神经网络（Multi-View Attention Network, MVAN）模型，基于沪深300成分股的技术面因子，预测短期股票走势，从而辅助智能选股。项目同时比较MVAN与经典机器学习模型（如LightGBM、MLP、Transformer）在统一选股任务上的表现。

研究目标

1. 提出一种多视角注意力神经网络（MVAN）
2. 基于沪深300成分股技术面因子预测短期股票走势
3. 将预测结果应用于选股任务
4. 比较MVAN与经典机器学习模型的表现

数据处理流程

数据来源与字段说明

• 股票池：沪深300历史成分股（353支）
• 数据字段（每日每股）：
  • 市场类: open_price, close_price, high_price, low_price
  • 成交类: volume, amount, turnover_rate
  • 波动类: amplitude, change_percent, change_amount
  • 市值类: total_market_cap_yuan, circulating_market_cap
  • 股本类: total_shares, circulating_shares
  • 技术指标类: macd_diff, macd_dea, macd, rsi_6, rsi_12, rsi_24

数据划分

阶段	时间区间	用途
训练集	2014-01-01 ~ 2019-12-31	模型训练
验证集	2020-01-01 ~ 2022-12-31	模型选择与调参
测试集	2023-01-01 ~ 2025-07-15	模拟实盘评估

模型架构

MVAN（Multi-View Attention Network）

多视角注意力神经网络将特征分为不同的"视角"进行处理：

• 输入结构：

  • 输入：[batch_size, time_step=10, feature_dim]
  • 拆分多视角：
    • View 1：动量视角（收益率、MACD、RSI类）
    • View 2：成交视角（volume、amount、换手率等）
    • View 3：波动视角（amplitude、change_percent等）

• 模型结构：

  • 每个视角：
    • 输入 10×N 张量 → BiGRU/TCN 提取时间序列特征
    • Attention 权重聚合 → 得到视角向量 vi
  • 融合层：
    • [v1, v2, v3] → Concatenate → 全连接层 (ReLU/Dropout)
  • 输出层：
    • 分类：Softmax / 回归：Linear

对比基线模型

模型	输入处理方式	输出层	说明
LogisticRegression	每条样本 flatten(10×F)	Softmax	简单基线
MLP	flatten(10×F) → FC层	分类/回归	多层感知机
LightGBM/XGBoost	flatten(10×F)	分类/回归	特征重要性可解释
TCN	输入 10×F	分类	卷积提取序列特征
Transformer	输入为序列	分类	可用于横截面/时间建模

项目结构

沪深300选股实验/
│
├── config/                     # 配置文件
│   ├── __init__.py
│   ├── config.py              # 全局配置
│   └── model_config.py        # 模型配置
│
├── data/                      # 数据处理模块
│   ├── __init__.py
│   ├── data_loader.py         # 数据加载
│   ├── data_processor.py      # 数据预处理
│   ├── feature_engineer.py    # 特征工程
│   └── data_utils.py          # 数据工具函数
│
├── models/                    # 模型定义
│   ├── __init__.py
│   ├── mvan.py               # MVAN模型
│   ├── baseline_models.py    # 基线模型
│   └── model_utils.py        # 模型工具函数
│
├── training/                  # 训练相关
│   ├── __init__.py
│   ├── trainer.py            # 训练器
│   ├── evaluator.py          # 评估器
│   └── backtest.py           # 回测模块
│
├── experiments/               # 实验管理
│   ├── __init__.py
│   ├── main_experiment.py    # 主实验
│   ├── ablation_study.py     # 消融实验
│   └── hyperparameter_tuning.py  # 超参数调优
│
├── utils/                     # 工具函数
│   ├── __init__.py
│   ├── logger.py             # 日志工具
│   ├── visualization.py      # 可视化
│   └── metrics.py            # 评估指标
│
├── results/                   # 结果保存
│   ├── models/               # 训练好的模型
│   ├── logs/                 # 训练日志
│   ├── plots/                # 可视化结果
│   └── backtest_results/     # 回测结果
│
├── 沪深300数据/
│   ├── raw/                  # 原始数据
│   └── processed/            # 处理后的数据
│
├── requirements.txt          # 依赖包
├── setup.py                  # 安装脚本
└── main.py                   # 主运行脚本

使用方法

环境配置

# 安装依赖
pip install -r requirements.txt

数据处理

# 数据预处理
python main.py --mode data_process

# 特征工程
python main.py --mode feature_engineer

模型训练与评估

# 训练和评估MVAN模型
python main.py --mode experiment --model MVAN

# 训练和评估基线模型
python main.py --mode experiment --model MLP
python main.py --mode experiment --model TCN
python main.py --mode experiment --model Transformer
python main.py --mode experiment --model LightGBM

# 训练和评估所有模型
python main.py --mode experiment --model all

消融实验

# 运行所有消融实验
python main.py --mode ablation --experiment all

# 运行特定消融实验
python main.py --mode ablation --experiment No-View
python main.py --mode ablation --experiment No-Attn
python main.py --mode ablation --experiment Only-Price
python main.py --mode ablation --experiment Only-MACD-RSI

超参数调优

# 运行网格搜索超参数调优
python main.py --mode tuning --mode grid_search

# 使用最佳参数训练模型
python main.py --mode tuning --mode train_best --best_params_file results/hyperparameter_tuning_XXX/best_params.json

评估指标

模型评估

• Precision@TopK: 每日预测TopK股票命中率
• Macro-F1 / AUC: 多分类模型评估
• IC / RankIC: 排序效果（回归模型）
• NDCG@K: 用于打分型模型的排序能力

策略回测

• 年化收益率、最大回撤
• 夏普比率、盈亏比、胜率
• 换手率分析