递归神经网络 RNN—自适应计算次数（ACT）的 RNN 增强
创建于 更新于
摘要
本报告聚焦递归神经网络（RNN）在多因子量化选股中的应用创新，提出通过自适应计算次数（ACT）提升RNN复杂度，显著加快训练收敛速度并提高多空仓位区分度及收益表现。报告系统优化数据输入结构，尝试相对收益标签、精选少量代表性因子（12个）及缩减时间步长等方法，进一步提升模型稳定性和效果。同时基于A股多因子数据回测，验证ACT-RNN模型在看多组合准确率及收益率方面均优于传统LSTM模型，尽管中性组合预测仍表现较弱，且预测看多股票偏多，且市场趋势影响模型效果显著。上述研究为深度学习方法在中国股票市场多因子选股提供新思路和实证支持[page::0][page::3][page::5][page::11][page::12][page::13][page::14]。
