本报告由国泰君安金融工程团队发布，创新性地提出“深度组合”理念，将深度学习思想应用于选股研究。报告从理论到实证，详细阐述了如何通过自编码网络提取非线性特征，并与传统风险模型互补，构建沪深300选股策略。实证显示，该策略在2010-2017年间实现年化收益18.37%，最大回撤仅8.33%，显著优于传统动量策略。报告还解决了神经网络“黑箱”问题，通过损失函数指标优化策略，提升收益风险表现。适合量化研究员、金融工程师、投资经理及对AI选股感兴趣的投资者阅读。
本报告由国泰君安金融工程团队发布，创新性地提出“深度组合”理念，将深度学习思想应用于选股研究。报告从理论到实证，详细阐述了如何通过自编码网络提取非线性特征，并与传统风险模型互补，构建沪深300选股策略。实证显示，该策略在2010-2017年间实现年化收益18.37%，最大回撤仅8.33%，显著优于传统动量策略。报告还解决了神经网络“黑箱”问题，通过损失函数指标优化策略，提升收益风险表现。适合量化研究员、金融工程师、投资经理及对AI选股感兴趣的投资者阅读。
本报告由国泰君安金融工程团队发布，创新性地提出“深度组合”理念，将深度学习思想应用于选股研究。报告从理论到实证，详细阐述了如何通过自编码网络提取非线性特征，并与传统风险模型互补，构建沪深300选股策略。实证显示，该策略在2010-2017年间实现年化收益18.37%，最大回撤仅8.33%，显著优于传统动量策略。报告还解决了神经网络“黑箱”问题，通过损失函数指标优化策略，提升收益风险表现。适合量化研究员、金融工程师、投资经理及对AI选股感兴趣的投资者阅读。核心数据:年化收益18.37%;最大回撤8.33%;超额收益7.113%。
本报告由国泰君安发布,发布于 2017 年。
覆盖 2017 年,全文约 21。
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、金融科技从业者等读者参考。
重点分析了金融投资、选股策略、组合等议题。