深度学习揭秘系列之二：涵盖价量与基本面因子的多模型结合神经网络-241030-信达证券
执业编号：S1500521070001 箱：yumingming@cindasc.com 执业编号：S1500523050003
报告摘要
执业编号：S1500521070001 箱：yumingming@cindasc.com 执业编号：S1500523050003
核心要点
- 2.1
- 量价因子：以原始值建模 IC 与收益有损，但组合风险端更佳 ................................. 13
报告信息
- 文件全名
- 《深度学习揭秘系列之二：涵盖价量与基本面因子的多模型结合神经网络-241030-信达证券-39页.pdf》
- 适合读者
- 核心数据
- 因子对原始收益的预测效果，以及在预测中性化收益率的场景下，不同输入形式与
- 络对量价因子和原始行情数据的拟合及预测效果。
- 以量价因子原始值建模预测中性化收益，在因子 IC 与组合收益上有损，但模型能学
- 在预测中性化收益的场景下，本文对比了不同的输入三种
- （1）以原始值为特征，原始收益率为标签，中性化模型预测值。
- 核心议题
常见问题
《深度学习揭秘系列之二：涵盖价量与基本面因子的多模型结合神经网络-241030-信达证券》主要包含哪些内容?
执业编号：S1500521070001 箱：yumingming@cindasc.com 执业编号：S1500523050003核心数据:因子对原始收益的预测效果，以及在预测中性化收益率的场景下，不同输入形式与;络对量价因子和原始行情数据的拟合及预测效果。;以量价因子原始值建模预测中性化收益，在因子 IC 与组合收益上有损，但模型能学。
这份报告由哪家机构发布?
本报告由信达证券发布,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 39 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?
重点分析了证券、金融等议题。
继续阅读
查看全部 →