Alpha掘金系列之十二：排序学习对GRU选股模型的增强-240821-国金证券
目前神经网络主流的三类编码器 RNN,CNN,Transformer 在量化选股领域均表现出了较强的预测效果，如何能使各类编 码器发挥自身优势并有效结合成为学术界不断尝试的领域。 我们参考 DA-RNN 两阶段注意力机制的设计思路，避免该
报告摘要
目前神经网络主流的三类编码器 RNN,CNN,Transformer 在量化选股领域均表现出了较强的预测效果，如何能使各类编 码器发挥自身优势并有效结合成为学术界不断尝试的领域。 我们参考 DA-RNN 两阶段注意力机制的设计思路，避免该
核心要点
- 29.81%，超额最大回撤 8.04%。
- 1、 以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在时效的风险。
- 2、 策略通过一定的假设通过历史数据回测得到，当交易成本提高或其他条件改变时，可能导致策略收益下降甚至出
报告信息
- 文件全名
- 《Alpha掘金系列之十二：排序学习对GRU选股模型的增强-240821-国金证券-21页.pdf》
- 适合读者
- 核心数据
- 目前神经网络主流的三类编码器 RNN,CNN,Transformer 在量化选股领域均表现出了较强的预测效果，如何能使各类编
- 所得因子在全 A 股票池中 IC 均值为 13.82%，多头年化超额 19.69%，
- 在传统训练过程中，我们倾向于早停后只使用最好轮次的模型参数用于预测。
- 此处我们考虑，神经网络梯度下降
- 至全局最优点本身应该追求“模糊的正确”，使用早停后验证集表现最优的 5 轮结果进行预测并取均值能有效缓解上
- 核心议题
常见问题
《Alpha掘金系列之十二：排序学习对GRU选股模型的增强-240821-国金证券》主要包含哪些内容?
目前神经网络主流的三类编码器 RNN,CNN,Transformer 在量化选股领域均表现出了较强的预测效果，如何能使各类编 码器发挥自身优势并有效结合成为学术界不断尝试的领域。 我们参考 DA-RNN 两阶段注意力机制的设计思路，避免该核心数据:目前神经网络主流的三类编码器 RNN,CNN,Transformer 在量化选股领域均表现出了较强的预测效果，如何能使各类编;所得因子在全 A 股票池中 IC 均值为 13.82%，多头年化超额 19.69%，;在传统训练过程中，我们倾向于早停后只使用最好轮次的模型参数用于预测。。
这份报告由哪家机构发布?
本报告由国金证券发布,发布于 2024 年。
这份报告覆盖哪一年、篇幅多大?
覆盖 2024 年,全文共 21 页。
这份报告是免费的吗?如何获取?
本报告免费查阅,登录资料宝后即可在线获取完整内容。
这份报告适合哪些读者?
适合投资人、行业研究员等读者参考。
报告涉及哪些关键议题?
重点分析了A 股、沪深等议题。
继续阅读
查看全部 →