J.P. Morgan神经网络在股票因子配置中的应用研究｜2018量化策略报告

报告摘要

本报告由J.P. Morgan量化与衍生品策略团队撰写，深入探讨神经网络在股票因子配置中的潜力与挑战。报告指出，虽然神经网络在图像识别等领域取得突破，但在金融时间序列建模中面临重复性差、黑箱特性及训练数据需求高等问题。通过与OLS、Ridge回归、支持向量机和XGBoost等传统方法的对比，发现神经网络虽有望超越其他技术，但需更多研究以构建稳定模型。适合量化分析师、投资经理、金融研究员及数据科学家阅读，为因子配置策略提供前沿视角。

📋 报告目录

1. 引言
2. 神经网络在金融时间序列中的挑战
3. 因子组合方法的比较（平均加权、OLS、Ridge、SVM、XGBoost）
4. 神经网络架构的不可重复性
5. 结论与建议