人工智能101：用端到端网络预测AH同时上市企业溢价变化方向
　　本文构建了端到端神经网络模型预测AH同时上市企业溢价变化方向。截至2025年年底，全市场已近170家企业实现AH两地上市，将近100家为沪深300指数成分股。大陆机构投资者对于港股的投资理念也有所转变。A/H股轮动或将成为一部分主动权益基金、量化基金的超额收益来源。由于两地股票的基本面没有差异，所以建模的重心放在量价和估值特征上。基于精巧的配对样本、模型结构、损失函数设计，我们构建了一个年化超额收益约为5%的A/H股轮动模型，应用于沪深300指增也有所增益。
　　样本设计：需对齐A/H股交易日，并进行合理的数据增强
　　本研究将配对的一组A股和港股视为一个样本。针对A股和港股交易日期不完全重合的问题，处理原则是保证A股和港股特征和标签的时间跨度一致。其中，特征跨度60个沪深港通交易日，标签跨度20个沪深港通交易日。针对AH同时上市企业数目较少、样本量可能不够的问题，将AH同时上市企业两两配对，并使用DTW距离评价假样本的相似度，然后在每一个截面上，都按照DTW距离从小到大的顺序，取真样本数量4倍的假样本。
　　模型结构：关注A股与港股的相对涨幅，剔除市场Beta的干扰
　　模型结构包括特征提取模块和溢价预测模块。特征提取模块的主体结构是共享参数的GRU单元、自注意力机制/交叉注意力机制单元。将A股和港股经标准化后的量价和估值比数据分别输入相同的特征提取模块，各自得到一组高阶特征。溢价预测模块将A股和港股对应的高阶特征两两相减后，输入全连接层，预测未来20个沪深港通交易日A股与港股的相对涨幅。特征提取模块的共享参数配合溢价预测模块的特征相减，既能够将与AH溢价关系不大的市场Beta抵消掉，又能够节省一半的参数。损失函数结合胜率视角的二分类交叉熵和赔率视角的均方误差构建。
　　回测结果：本质是择时问题，模型表现可能与大盘整体AH溢价水平有关
　　周度A/H股轮动测试设置了轮动阈值。对于一个AH同时上市企业，只有当模型预测得分高于轮动阈值，才会开展A/H股轮动；否则，考虑到交易费用限制，将维持A/H股等权持有。结果显示，不同轮动阈值下轮动策略的年化超额收益均在5%左右，轮动阈值没有对策略表现形成显著影响，更多体现了收益和换手之间的权衡。将A/H轮动信号应用于PorfolioNet 2.0的沪深300指增策略，考虑双边3‰的手续费用后，年化超额收益提升了0.84pct。我们还发现，自2024Q3以来，南向资金加速流入，大盘整体的AH溢价水平迅速下降，轮动机会变少，模型获取超额收益的难度大幅增加。
　　风险提示：端到端神经网络在滚动窗口中挖掘历史规律，规律可能会在下次重训练之前失效；端到端神经网络作为一类机器学习方法，可能存在过拟合问题；量价模型有其适用的市场条件，无法保证在任何市场条件下均可取得超额收益。