基于价量数据的机器学习量化选股策略。基于价量数据对未来股价走势进行预测作为一类重要的机器学习量化选股策略，在过去受到了较为广泛的研究和应用。由于价量数据是跟着交易活动的进行而产生的，其本质上是关于时间的一组序列。因此，为了建模价量数据与未来股价走势之间的关系，大多数现有研究方法都选择了使用循环神经网络等时序模型。然而，时序模型无法对价格和交易量的走势形态进行有效识别，其表现在一定程度上因此受限。
　　基于卷积神经网络的价量数据图表化选股策略。为了克服时序模型对序列数据建模的不足，本篇专题报告探究了使用卷积神经网络对图表化的价量数据与未来股价进行建模。本专题报告以20日窗口期的价量数据图表作为模型输入，分别对未来20日和5日的股价走势进行预测，从而构建出I20R20因子和I20R5因子。
　　实证分析。以2020年2月至2023年2月作为样本外回测区间，实证分析结果表明I20R20因子和I20R5因子的分档收益显著。每20个交易日进行换仓，双边千三计费，I20R20因子行业市值中性化后在全市场、沪深300、中证500、中证800、创业板中的多头超额收益率显著；每5个交易日进行换仓，双边千三计费，I20R5因子在行业市值中性化后在全市场、沪深300、中证500、中证800、创业板中的多头分别对应板块指数获得了较为显著的超额年化收益率。
　　风险提示。本专题报告所述模型用量化方法通过历史数据统计、建模和测算完成，所得结论与规律在市场政策、环境变化时可能存在失效风险；策略在市场结构改变时有可能存在策略失效风险。策略在交易行为改变时存在可能失效风险。