核心观点
　　我们将多元CNN-LSTM预测模型应用于申万一级行业指数，通过行业分组使用多个并列模型实现指数预测，构建了组合年化收益约15.6%的周频行业轮动信号。
　　多元时间序列模型应用于股票指数预测模型
　　考虑到并行金融时间序列数据间的相互作用，我们将多元时间序列分析技术纳入以神经网络为基础的集成模型，来实现相应的时序预测。我们使用多元CNNLSTM实现申万一级行业指数预测，回测显示预测精度基本达到了价格预测的需求，测试集上的预测误差在1.56%到3.30%范围内。整体上来看，TMT相关行业的预测误差较小，而消费类行业的预测误差较大；测试集预测误差相较于训练集的增加幅度并不明显，仅在美容护理、石油石化、环保等行业有较明显的增量。
　　行业指数分组训练，提升多元时序预测精度
　　对于多元时序预测模型，训练数据样本数量与时间序列的数量/行业数量无关，而与交易日的数量有关；另一方面，时间序列数量越多，模型越复杂，模型内参数难以实现充分学习。我们对申万一级行业指数进行归类，从而将行业指数分为几组，对每个组内的行业指数共同构建一个预测模型。
　　我们按照投资属性将一级行业做如下归类（不含综合）：消费类行业，周期性行业，大科技行业，和大金融行业。考虑组内行业数量进行了拆分与合并，最终得到消费及医药、上游资源及材料、高端制造、地产及基建、大科技行业，和大金融行业6个组。
　　相较于全部一级行业使用同一个模型进行预测，分组训练对原来预测精度低的行业表现有所提升。整体上来看，对一级行业进行分组并训练不同的CNN-LSTM子模型的预测效果更好。
　　利用多元CNN-LSTM预测模型构建周频行业轮动信号：
　　我们使用多元CNN-LSTM对指数预测值来估计其未来一周的收益率，每隔5个交易日选取预期收益率最高的前五名行业等权配置。从2018Q3开始每季度初重新训练并列子模型，训练数据使用扩展窗口，包含从2014年3月到训练时点之前的所有历史数据。行业轮动组合年化收益达15.6%，年化超额收益约11.6%，最大回撤等风险收益特征较申万一级行业等权（不含综合）基准均有明显提升。
　　风险提示
　　本报告构建的策略框架中所提及的交易均指模拟交易，回测结果是基于历史数据的统计归纳，收益风险指标不代表未来，模型力求自适应跟踪市场规律和趋势，但仍存失效可能，不构成投资建议，须谨慎使用。AI模型发生参数微调和数据变动都可能导致性能和结果波动。