广发证券金工团队提出一种风险中性的深度学习选股策略，通过ReLU激活函数、交叉熵损失函数、批量归一化和Dropout技术提高模型性能。策略基于Keras平台，选用Tensorflow等后端，通过风险因子线性回归残差标注样本，实现行业和市值中性化，降低受市值影响。策略回测显示，风险中性深度学习策略年化收益率21.95%，信息比2.92，优于普通深度学习策略。
今天我们为大家带来最新的研报内容，来自广发证券金工团队的《风险中性的深度学习选股策略》。下面让我们来一起学习吧！https://mp.weixin.qq.com/s?__biz=MzAxNTc0Mjg0Mg==&mid=2653288319&idx=1&sn=e2be2ffda6b8c63f46a966790e8147ad&chksm=802e356ab759bc7c9a607ffb2145a020b454b2a97dac956684d484d5ed8bba5b09770d049dab#rdmp.weixin.qq.com
风险中性的机器学习选股模型
模型训练：通过训练样本，确定模型结构，优化模型参数。
预测输出 Y 的维度：3。
输入特征 X 的维度：156(128个因子+28个行业) 通过网格搜索获取最优的模型结构。
选取模型结构为: 156(输入层)-512-200-200-200-128-3(输出层) 即一共包含5个隐层。
隐层节点数依次为：512(隐层1)、 200(隐层2)、 200(隐层3)、 200(隐层4)、 128(隐层5)。
提高深层神经网络选股性能的主要方法：1、采用relu等激活函数。
2、将优化目标函数MSE改成交叉熵。
3、Batch normalization技术。
4、Dropout技术。
采用Keras作为机器学习平台：1、可以选择Tensorflow、CNTK、Theano(目前已经停止更新)作为后端。
2、目前已经支持多GPU。
3、显卡选择：Nvidia GTX Ti
最低0.47元/天 解锁文章
扫一扫
2140
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
