深度学习揭秘系列之二：涵盖价量与基本面因子的多模型结合神经网络
创建于 更新于
摘要
本报告基于多维因子集（量价因子、基本面因子及行情数据）构建了多模型神经网络框架，运用MLP与时序神经网络（RNN、GRU）结合多模型组合，研究不同因子预处理与神经网络结构对收益率预测的影响。报告指出量价因子和基本面因子需中性化处理以提升预测效果，提出单日量价因子用时序网络，窗口期因子用MLP的混合网络架构，实现5日及20日收益预测，构造混频因子提升预测稳定性。最终深度学习模型在行业轮动和指增组合构建中表现优异，5日混频因子年化超额收益达29.02%，20日达19.07%，行业轮动组合多头年化超额11.36% ，中证1000指增组合年化超额16.21% ，体现模型在实际资产配置中的应用价值与潜力[page::1][page::4][page::12][page::17][page::28][page::32][page::34][page::36]
