华泰人工智能选股之循环神经网络模型
人工智能选股之循环神经网络模型
“
神经网络是当前人工智能的热门以及核心技术，在金融投资领域，时间序列是我们主要研究的数据，作为具有时间序列预测能力的循环神经网络就成为我们非常重要的研究工具。
该篇华泰证券的研报便非常详细地介绍了循环神经网络（RNN）以及长短期记忆网络（LSTM）以及门控循环单元（GRU）的概述、使用形式、神经网络结构等，并对它们进行了系统测试，分别用它们构建了选股策略进行了实证分析。
因子组的论文复现目前也正需要我们对LSTM模型有较深刻的认识，该研报的学习应该可以让我们对LSTM模型的结构有较详细地了解，以便接下来进行论文中LSTM模型的复现。
该研报中的一些结论：
1 循环神经网络选股信息比率优于线性回归，其中LSTM 模型表现最好。
2 循环神经网络模型具有较好的预测能力。
3 LSTM 模型超额收益和信息比率的表现优于线性回归。
4 通过分析神经网络训练时的权值更新过程使得神经网络具有可解释性。
5 在月频多因子选股中，神经网络模型综合表现不如XGBoost。
”
原文请戳⬇️