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

2024-08资本市场21免费

📄 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: 投资人行业研究员
📊 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: #A 股#沪深

📦 本报告属于月份合集

购买后将获得「2024 年 8 月报告合集」 · 共 3623 份报告打包下载链接

点击获取云盘下载链接

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(部分)

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

❓ 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。。

这份报告覆盖哪一年、篇幅多大?

覆盖 2024 年,全文约 21。

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。