本报告由国信证券于2017年发布，深度解析递归神经网络（RNN）及其变体长短期记忆网络（LSTM）在金融多因子预测中的应用。核心亮点：1）详细阐述RNN如何通过时间循环结构捕捉序列依赖，LSTM如何通过细胞状态解决长期依赖问题；2）构建基于RNN的多因子模型，将T-n期因子数据纳入T+1期收益率预测；3）实证结果显示交叉检验准确度接近90%，样本外多空收益最近12个月胜率超过90%。适合量化研究员、金融工程师、投资经理及机器学习从业者参考。
本报告由国信证券于2017年发布，深度解析递归神经网络（RNN）及其变体长短期记忆网络（LSTM）在金融多因子预测中的应用。核心亮点：1）详细阐述RNN如何通过时间循环结构捕捉序列依赖，LSTM如何通过细胞状态解决长期依赖问题；2）构建基于RNN的多因子模型，将T-n期因子数据纳入T+1期收益率预测；3）实证结果显示交叉检验准确度接近90%，样本外多空收益最近12个月胜率超过90%。适合量化研究员、金融工程师、投资经理及机器学习从业者参考。
本报告由国信证券于2017年发布，深度解析递归神经网络（RNN）及其变体长短期记忆网络（LSTM）在金融多因子预测中的应用。核心亮点：1）详细阐述RNN如何通过时间循环结构捕捉序列依赖，LSTM如何通过细胞状态解决长期依赖问题；2）构建基于RNN的多因子模型，将T-n期因子数据纳入T+1期收益率预测；3）实证结果显示交叉检验准确度接近90%，样本外多空收益最近12个月胜率超过90%。适合量化研究员、金融工程师、投资经理及机器学习从业者参考。核心数据:交叉检验准确度接近90%;样本外多空收益最近12个月胜率超过90%。
本报告由国信证券发布,发布于 2017 年。
覆盖 2017 年,全文约 22。
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、投资经理、机器学习从业者等读者参考。
重点分析了金融投资、金融工程、LSTM、国信证券等议题。