本报告将并行友好的Mamba‑2引入端到端选股体系,构建“频率×模型×传统因子”二层合成(GRU 4频 + Mamba2 3频 + GJQuant 117因子 → LightGBM),并在2018‑01‑31—2025‑10‑30回测下证明合成能显著提升IC、年化超额与信息比率,三大宽基(沪深300/中证500/中证1000)指增超额分别达9.99%、12.20%、20.65%,且主动层回撤显著小于基准,表明合成带来真实Alpha增量而非杠杆放大
| 指标 | 沪深300策略 | 中证500策略 | 中证1000策略 |
|---|---|---|---|
| 年化收益率 | 11.86% | 15.47% | 22.91% |
| 年化超额收益率 | 9.99% | 12.20% | 20.65% |
| 跟踪误差 | 5.31% | 5.44% | 6.23% |
| 信息比率 (IR) | 1.88 | 2.24 | 3.31 |
| 主动层超额最大回撤 | 7.71% | 7.98% | 7.28% |
以下为对“基于Mamba2模型的端到端选股框架”(以下称“报告”)的详尽解构与逐项分析,内容覆盖元数据、逐章精读、图表逐一解读、估值(若适用)、风险评估、批判性视角与结论等要点,并在每一处基于原文结论或推断的句末添加溯源标识以便追溯。整篇以条理化小节呈现,重点图表同时以报告内图片路径嵌入以便对照查看。总体结论先行摘要:报告提出将Mamba-2并入端到端选股体系,并通过多频率、多模型与传统因子合成(最终用LightGBM堆叠)构建宽基指数增强策略,回测显示三大宽基(沪深300/中证500/中证1000)均显著取得年化超额与较高信息比率,且合成并未显著放大波动(表明为真实Alpha而非简单杠杆)。
一、元数据与报告概览
二、逐节深度解读(按报告结构) 1)第一部分:从SSM、Mamba到Mamba2(第1章)
2)第二部分:Mamba2 与 GRU 的选股效果比较(第2章)
图表逐一深度解读(关键图/表)
三、估值分析(报告无公司估值模型)
四、风险因素评估(报告已列举)
五、批判性视角与方法学细节(基于报告内容)
六、对工程可部署性的评价(基于报告)
七、结论性综合(关键发现与建议)
附:本报告中引用并逐图展示的关键图片(按原文路径,以便交叉核对)
—— 结束 —— 若需我将报告中的关键表格(例如日频/60min/30min/10min的完整数值表)逐项用可复制的结构化数据(CSV/Excel)形式导出并附上更细粒度的敏感性检验(交易成本、滑点、不同训练窗口)测试方案,我可以继续按您的需求准备对应的补充分析与实操建议。
基于Mamba2模型的端到端选股框架.pdf