kaggle量化赛金牌方案(第七名解决方案)（下）

—

无特征工程的神经网络模型（得分 5.34X）

比赛进入最后阶段，现在是时候深入了解一些关于神经网络模型的见解了。由于 Kaggle 讨论区的需求，我在这里分享两个神经网络模型。第一个是 LSTM 模型，第二个是卷积网络（ConvNet）。有趣的是，使用 LSTM 或 ConvNet，在没有任何特征工程的情况下，你可以达到 5.3505 的得分（甚至达到 5.348X）。

通过仅仅结合一些失衡特征，使用 ConvNet 或 LSTM 就可以获得 5.3439 的得分。我已经附上了两个 notebook 供大家参考。

这些模型可以通过增加额外的特征（如全球股票统计）和优化来进一步提升，达到 5.33X 的得分范围。它们与树模型很好地结合，有可能将 LB 得分降低超过 0.01。

ConvNet 结构的一个重要方面是使用了残差连接，这显著提升了性能。

你可以在 Kaggle 上找到这些模型。以下是 LSTM 和 ConvNet 模型的链接：

• ConvNet: Optiver Conv Just IMB Inference Cleanup
• LSTM: Optiver No FE LSTM Inference Cleanup

此外，你可以在提供的仓库中探索更多内容：

Optiver Trading Close Repository

---