RNN
从金融角度来看，RNN（循环神经网络）是一种强大的深度学习工具，特别适用于处理时间序列数据，如股票价格、交易量和宏观经济指标等。RNN能够捕捉数据中的序列依赖性，并通过其循环结构对过去的信息进行有效记忆，从而预测未来的金融市场动态。在金融风控、算法交易、市场预测和投资组合优化等领域，RNN的应用日益广泛，为金融机构提供了更加精准和高效的决策支持。
基于Transformer模型的智能选股策略
旧版声明
本文为旧版实现，仅供学习参考。
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU（新版开发环境下的模版目录）
\
导语
RNN、LSTM和GRU网络已在序列模型、语言模型、机器翻译等应用中取得不错的效果。循环结构（recurrent）的语言模型和编码器-解码器体系结构取得了不错的进展。
但是，RNN固有的顺序属性阻碍了训练样本间的并行化，对于长序列，内存限制将阻碍对训练样本的批量处理。这样，一是使得RNN的训练时间会相对比较长，对其的优化方法也比较少，二是对于长时间记忆来说，其的效果也大打折扣。
而Tr
更新时间：2024-09-04 01:21
基于LSTM的股票价格预测模型
导语
本文介绍了LSTM的相关内容和在股票价格预测上的应用。
LSTM的股票价格预测
LSTM(Long Short Term Memory)是一种 特殊的RNN类型，同其他的RNNs相比可以更加方便地学习长期依赖关系，因此有很多人试图将其应用于 时间序列的预测问题 上。
汇丰银行全球资产管理开发副总裁Jakob Aungiers在他的个人网站上比较详细地介绍了LSTM在Time Series Prediction上的运用（[http://www.jakob-aungiers.com/articles/a/LSTM-Neural-Network-
更新时间：2024-05-20 02:09
基于LSTM模型的智能选股策略
旧版声明
本文为旧版实现，供学习参考。
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
\
导语
这是本系列专题研究的第五篇：基于长短期记忆网络LSTM的深度学习因子选股模型。LSTM作为改进的RNN（循环神经网络），是一种非常成熟的能够处理变化的序列数据的神
更新时间：2024-05-20 02:09
基于Transformer模型的智能选股策略
导语
RNN、LSTM和GRU网络已在序列模型、语言模型、机器翻译等应用中取得不错的效果。循环结构（recurrent）的语言模型和编码器-解码器体系结构取得了不错的进展。
但是，RNN固有的顺序属性阻碍了训练样本间的并行化，对于长序列，内存限制将阻碍对训练样本的批量处理。这样，一是使得RNN的训练时间会相对比较长，对其的优化方法也比较少，二是对于长时间记忆来说，其的效果也大打折扣。
而Transformer的核心，注意力机制（Attention）允许对输入输出序列的依赖项进行建模，而无需考虑它们在序列中的距离，这样对上面两个RNN中比较突出的问题就有了一个比较好的解决办法。本文将
更新时间：2022-11-03 08:33
递归神经网络RNN，长短期记忆细胞（LSTM）的分行业多因子预测 国信证券_20181228_
摘要
递归神经网络RNNRNN不同于传统神经网络的感知机的最大特征就是跟时间挂上钩，即包含了一个循环的网络，就是下一时间的结果不仅受下一时间输入的影响，也受上一个时间输出的影响，进一步地说就是信息具有持久的影响力。人们在看到新的信息的时候产生的看法或者判断，不仅仅是对当前信息的反应，先前的经验、思想也会参与到这次信息推断当中。
分行业建模往期系列报告中，我们尝试了不同神经网络模型在整个股票分析上的表现能力。 而股票市场中，经常观察到某一行业或者板块的股票在特定时期中表现出齐涨共跌的特征。这说明，在这些股票中，存在着某种行业性或产业性的共同影响因素。另外，根据产业周期理论，任何产业或行
更新时间：2022-10-24 11:14
LSTM模型构建
导语
本文将介绍LSTM模型的原理与构建其选股模型的流程
LSTM简介
循环神经网络（RNN）
传统的神经网络是基于所有时刻的输入和输出间相互独立的假设来生成已学习数据的静态模型，并根据新接受的数据进行运算。但在很多情景中，如语音识别中预测当前的单词的含义，需要知道之前的输出结合上文语境做出判断，循环神经网络（Recurrent Neural Networks，简称 RNN）可以用于解决这类问题。 循环神经网络也被称为递归神经网络是受到人类对于近期事件会有所保留的背景而启发，循环神经网络会随着数据的输入生成动态模型。 理论上，RNN可以支持无限长的时间序列，然
更新时间：2021-07-30 08:19
基于Transformer模型的智能选股策略
导语
RNN、LSTM和GRU网络已在序列模型、语言模型、机器翻译等应用中取得不错的效果。循环结构（recurrent）的语言模型和编码器-解码器体系结构取得了不错的进展。
但是，RNN固有的顺序属性阻碍了训练样本间的并行化，对于长序列，内存限制将阻碍对训练样本的批量处理。这样，一是使得RNN的训练时间会相对比较长，对其的优化方法也比较少，二是对于长时间记忆来说，其的效果也大打折扣。
而Transformer的核心，注意力机制（Attention）允许对输入输出序列的依赖项进行建模，而无需考虑它们在序列中的距离，这样对上面两个RNN中比较突出的问题就有了一个比较好的解决办法。本文将
更新时间：2021-07-07 08:58
基于Transformer模型的智能选股策略
导语
RNN、LSTM和GRU网络已在序列模型、语言模型、机器翻译等应用中取得不错的效果。循环结构（recurrent）的语言模型和编码器-解码器体系结构取得了不错的进展。
但是，RNN固有的顺序属性阻碍了训练样本间的并行化，对于长序列，内存限制将阻碍对训练样本的批量处理。这样，一是使得RNN的训练时间会相对比较长，对其的优化方法也比较少，二是对于长时间记忆来说，其的效果也大打折扣。
而Transformer的核心，注意力机制（Attention）允许对输入输出序列的依赖项进行建模，而无需考虑它们在序列中的距离，这样对上面两个RNN中比较突出的问题就有了一个比较好的解决办法。本文将
更新时间：2021-07-03 14:26