DNN
DNN（深度神经网络）在金融领域的应用日益广泛，其强大的数据处理和模式识别能力为金融分析、风险评估、市场预测等带来了革命性的变革。通过深度挖掘金融数据中的潜在规律和关联信息，DNN能够助力金融机构更准确地把握市场动态，优化投资策略，降低运营风险，进而提升整体竞争力和盈利能力。
机器学习：20-DNN-滚动训练
- 运行环境：AIStudio 3.0
- 策略说明：==本代码以教学目的为主，请自行调参==
\
策略源码：
{{membership}}
https://bigquant.com/codeshare/e7bb60a5-a6e1-4310-9e6a-e4b742fb0f13
\
更新时间：2024-04-25 07:41
机器学习：15-DNN
- 运行环境：AIStudio 3.0
- 策略说明：==本代码以教学目的为主，请自行调参==
回测图：
\
策略源码：
{{membership}}
[https://bigquant.com/codeshare/fd48a0d6-918f-4001-9a84-bcea18ae174b](https://bigquant.com/codeshare/fd48a0d6-918f-4001-9a84-bc
更新时间：2024-04-25 07:40
DNN量化选股策略
python版
{{membership}}
https://bigquant.com/codeshare/3ca8301b-8f1d-40ee-885e-3c79f50de068
DAI版
[https://bigquant.com/codeshare/7720fa73-2034-40ea-a94f-f59a56dd53a0](https://bigquant.com/codeshare/7720fa73-2034-40ea-a94
更新时间：2023-09-22 01:48
DeepAlpha短周期因子研究系列之：LSTM在量化选股中的应用
一、引言
DeepAlpha系列模型中，我们发现DNN全连接神经网络模型可以从基础的量价数据中有效提取出有效的选股能力。同时，股票的量价数据属于金融时序数据，对应的，在深度学习模型中LSTM具有较强的时序预测能力，因此我们将LSTM模型应用于量化选股模型，并分析和验证其效果。
二、LSTM长短期记忆神经网络
2.1 RNN循环神经网络
循环神经网络（Recurrent Neural Network，RNN）是一种用于处理序列数据的神经网络，相比一般的神经网络来说，RNN将状态在自身网络中循环传递，因此可以接受更广泛的时间序列数据。
基础的RNN结构如下图所示：
![
更新时间：2023-06-07 08:34
DeepAlpha-DNN应用实践报告
本集合里将分享平台开发者们对DeepAlpha系列的实践研究报告
\
更新时间：2022-11-08 08:26
DNN和CNN模型因子表现对比
问题
user3558B+可以做一期关于DNN跟CNN在短线因子跟长中线因子讲解吗？
策略源码
短周期
https://bigquant.com/experimentshare/d3a4560c6c0e4b4683c23c3ffff1315e
长周期
[https://bigquant.com/experimentshare/12338701162d46f0a801d9be76bf895a](https://bigquant.
更新时间：2022-07-30 09:59
关于模型训练的一点简单想法：以DNN和StockRanker对比为例
作者：donkyxote
策略思想
基于17个短期因子，其中8个量价因子，9个均线因子。训练集使用2005-01-04至2020-06-01日，每个交易日买入模型当日预测结果排名靠前的1只A股股票，次日卖出。
StockRanker模型
原有模型是基于BQ提供的Stockranker机器学习算法：
![图 1：stockranker-2021年1月4日至2022年1月21日的模拟实盘结果{w:100}{w:100}](/wiki/api/attachments.redirect?id=bb5b3d09-3e20-4840-b5e0-2220d7f55
更新时间：2022-06-22 14:58