基于循环神经网络的选股模型改进
创建于 更新于
摘要
本报告基于循环神经网络（RNN）选股模型，借鉴混合专家、多堆叠密集连接和多任务学习进行局部结构改进。多专家结构提升了预测稳定性与抗过拟合能力，多堆叠密集连接改善了模型退化并实现多层次特征复用，自定义参数共享的多任务结构促进标签间信息共享与训练效率提升。多个实验对比表明，这些结构改进有效提升模型泛化与训练均衡性，但未实现显著飞跃性提升，且存在一定参数敏感性和环境局限性 [page::0][page::2][page::4][page::13]。
