>> 中信建投-金融產(chǎn)品深度：基于循環(huán)神經(jīng)網(wǎng)絡的選股模型初探-230702
| 上傳日期： |
2023/7/2 |
大小： |
1415KB |
| 格式： |
pdf 共16頁 |
來源： |
中信建投 |
| 評級： |
-- |
作者： |
陳升銳,王西之 |
| 下載權(quán)限： |
此報告為加密報告，僅限高級會員查看 |
|
|
核心觀點
基于循環(huán)神經(jīng)網(wǎng)絡構(gòu)建選股模型，對輸入特征、模型參數(shù)和訓練方式進行多方面測試。根據(jù)測試對比結(jié)果，調(diào)整預測標簽、樣本數(shù)量及抽樣方法、模型更新頻率，對于績效表現(xiàn)具有一定提升作用；GRU結(jié)構(gòu)的穩(wěn)定性和域通用性最強；特征集2綜合表現(xiàn)最優(yōu)、特征集3穩(wěn)定性最強。
選股模型框架
基于循環(huán)神經(jīng)網(wǎng)絡構(gòu)建選股模型，利用其內(nèi)部循環(huán)結(jié)構(gòu)更好地捕捉時序信息，并應用于截面選股。對輸入特征、模型參數(shù)和訓練方式進行多方面嘗試：根據(jù)信息頻率、生成頻率和信息復雜度分別構(gòu)建四種特征集；對特征集進行流程化處理，包含序列長度截取、時序變換、截面變換和缺失填補，在保留原始信息的基礎(chǔ)上提升訓練質(zhì)量；以簡單GRU結(jié)構(gòu)為基礎(chǔ)衍生出LSTM結(jié)構(gòu)和AGRU結(jié)構(gòu)，并調(diào)整網(wǎng)絡結(jié)構(gòu)超參數(shù)；適當改變訓練樣本數(shù)量、范圍和抽樣方法；以年頻為基礎(chǔ)對模型更新頻率進行升頻和降頻；參考排序損失函數(shù)算法以修改訓練目標函數(shù)。
初步對比測試
初步測試階段均以特征集1作為測試對象，從對比測試來看：1）預測標簽調(diào)整對分組績效表現(xiàn)的提升作用明顯；2）在樣本層面調(diào)整抽樣方法和數(shù)據(jù)量大小對績效表現(xiàn)有一定影響作用；3）簡單替換目標函數(shù)或拉長特征時序長度對績效影響作用不大；4）保證網(wǎng)絡結(jié)構(gòu)維度數(shù)量以避免對績效表現(xiàn)上限的限制。
綜合對比測試
綜合測試階段會以初步測試階段的相關(guān)結(jié)論為基礎(chǔ)，著重對比不同特征集之間的差異，從對比測試來看：1）特征集方面，特征集2的綜合表現(xiàn)最優(yōu)、特征集3的穩(wěn)定性最突出、特征集4全面落后；2）模型更新頻率方面，頻率并非越高越好、還需契合特征集自身特性；3）模型復雜度方面，簡單模型結(jié)構(gòu)反倒具有更強穩(wěn)定性和域通用性；4）訓練樣本范圍方面，適當縮減樣本范圍對特定特征集和特定指數(shù)域會有針對性提升。
風險提示：本文所有模型結(jié)果均來自歷史數(shù)據(jù)，不保證模型未來的有效性
|
|
