本报告由国信证券发布，深入探讨递归神经网络RNN与长短期记忆网络LSTM在分行业多因子选股中的应用。针对传统神经网络忽略时间依赖及行业异质性问题，RNN通过循环结构捕捉时序信息，LSTM解决长期记忆丢失；同时采用分行业建模，挖掘各行业特有影响因子，避免行业间干扰。报告将69个因子全部输入模型，减少人工筛选，并利用验证集监测过拟合。实证表明：多数行业预测准确率约40%，训练样本大小显著影响模型表现。适合量化研究员、金融工程师、证券分析师及投资者参考。
本报告由国信证券发布，深入探讨递归神经网络RNN与长短期记忆网络LSTM在分行业多因子选股中的应用。针对传统神经网络忽略时间依赖及行业异质性问题，RNN通过循环结构捕捉时序信息，LSTM解决长期记忆丢失；同时采用分行业建模，挖掘各行业特有影响因子，避免行业间干扰。报告将69个因子全部输入模型，减少人工筛选，并利用验证集监测过拟合。实证表明：多数行业预测准确率约40%，训练样本大小显著影响模型表现。适合量化研究员、金融工程师、证券分析师及投资者参考。
本报告由国信证券发布，深入探讨递归神经网络RNN与长短期记忆网络LSTM在分行业多因子选股中的应用。针对传统神经网络忽略时间依赖及行业异质性问题，RNN通过循环结构捕捉时序信息，LSTM解决长期记忆丢失；同时采用分行业建模，挖掘各行业特有影响因子，避免行业间干扰。报告将69个因子全部输入模型，减少人工筛选，并利用验证集监测过拟合。实证表明：多数行业预测准确率约40%，训练样本大小显著影响模型表现。适合量化研究员、金融工程师、证券分析师及投资者参考。核心数据:69个多因子输入;分行业建模;预测准确率约40%。
本报告由国信证券发布,发布于 2018 年。
覆盖 2018 年,全文约 29。
本报告免费查阅,登录资料宝后即可在线获取完整内容。
适合量化研究员、金融工程师、证券分析师、投资者等读者参考。
重点分析了金融投资、金融工程、LSTM、国信证券等议题。