利用LSTM算法估计基金因子暴露度
创建于 更新于
摘要
本报告围绕利用LSTM深度学习算法反推基金因子暴露度展开，结合基金净值与因子收益数据构建多特征变量神经网络模型，缓解传统定期报告滞后和静态性限制。模型以规模因子为例，在测试集达到MAE 0.109，反映了对暴露值绝对数值及变动趋势的较好拟合效果，优于传统线性回归方法。报告还阐述了模拟基金样本法在泛化能力不足上的失败及深度学习模型训练方法与超参数调优过程，为基金因子暴露的动态估计提供了前沿研究路径 [page::0][page::3][page::4][page::5][page::9][page::12][page::15][page::18]。
