深度学习如何利用公募持仓网络优化选股效果？.docxVIP

目录 日频深度学习模型初探 3 从 CNN 到 LSTM 3 神经网络股票周频收益率模型表现 5 股票静态内在属性及应用 7 股票内在属性的探究 7 基于基金选股网络的嵌入层计算 9 股票静态内在属性的应用 10 股票内在属性动态化应用 13 动态市场状态 13 股票内在属性动态特征的应用 14 总结与思考 17 风险提示 18 插图目录 19 日频深度学习模型初探 从 CNN 到 LSTM 深度神经网络是一种基于多层神经元的无监督算法，它被广泛应用于计算机视觉、自然语言处理等领域。深度学习的主要神经网络模型包括：卷积神经网络 （Convolutional Neural Networks，CNNs）、递归神经网络（Recurrent Neural Networks，RNNs）、长短时记忆网络（Long Short-Term Memory Networks， LSTMs）、门循环单元网络（Gated Recurrent Units，GRUs）等等。CNN 是最早且最常见的深度神经网络模型之一。下图显示了一个 CNN 的整体架构，包括两个主要部分：特征提取和分类器。在特征提取层，网络的每一层都接收来自其前一层的输出作为其输入，并将其输出作为输入传递给下一层。分类器根据前面卷积层提取的特征计算每个类的得分，计算最终的输出（分类）结果。 图1：CNN 结构示意图 资料来源：Alom et al. [1]， CNN 网络结构的层与层之间是全连接或者部分连接的，但是每层之间的节点是无连接的，这样的结构不能很好地解决序列问题。相比之下，RNN 通过每层节点之间的连接结构，来记忆之前的信息，并利用这些信息来影响后面节点的输入。RNN 可充分挖掘序列数据中的时序信息和语义信息，这在处理时序数据时比全连接神经网络和 CNN 更具有深度表达能力。可以看到 RNN 的结构与传统神经网络结构大致相似，都是由输入层、隐藏层、输出层组成，区别在于隐藏层里的神经元是有链接的，这是实现 RNN 记忆特性的根本来源。图中的 A 并不是一个神经元， 而是一个神经网络块，可以简单理解为神经网络的一个隐层。 图2：RNN 结构示意图 资料来源：Alom et al. [1]， 随着深度学习的发展，学者们发现 RNN 模型存在“长期依赖”的问题，并在此基础上提出了长短期记忆网络。LSTM 可以解决训练过程中的梯度消失和梯度爆炸问题，简单来说就是在更长序列中有更好的表现。LSTM 可以被简单理解为是一种神经元更加复杂的 RNN，处理时间序列中当间隔和延迟较长时，LSTM 通常比 RNN 效果好。 相较于构造简单的 RNN 神经元，LSTM 的神经元要复杂得多。每个神经元接受的输入除了当前时刻样本输入，上一个时刻的输出，还有一个元胞状态（Cell State）LSTM 神经元中有三个门：遗忘门（Forget Gate)：对应下图中的 ft，接受Xt 和 ht-1 为输入，输出一个 0 到 1 之间的值，用于决定在多大程度上保留上一个时刻的元胞状态 ct-1。1 表示全保留，0 表示全放弃。输入门（Input Gate）: 对应下图中 it 和????? 用于决定将哪些信息存储在这个时刻的元胞状态 ct 中，以及输出门 （Output Gate）：用于决定输出哪些信息。 图3：LSTM 结构示意图 资料来源：Alom et al. [1]， 神经网络股票周频收益率模型表现 深度神经网络模型在预测股票收益方面也有着广泛应用。Nelson et al. [2] 尝试了利用 LSTM 模型和一系列量价特征预测股票收益并取得了不错的效果。传统LSTM 模型的最后一层是一个全连接神经网络，来将隐藏层的输出转为最后的预测。我们在本篇报告中则采用 LSTM+多个全连接神经网络，即多层感知器（MLP） 来作为股票收益预测的模型框架。并且我们尝试调整 LSTM 模型为双向来提升模型表现。预测股票周度收益率的模型细节如下： 数据输入：2013 年至今中证 1000 成分股个股行情 6 个量价指标：开盘价，最高价，最低价，收盘价，成交量，均价（VWAP）；资金流 7 个指标：大单净流入，大单主动净流入，小单净流入，小单主动净流入，北向净流入，超大单净流入，成交笔数，共 13 个指标。 数据窗口及预测对象：用过去 80 个交易日的量价及资金流数据预测五个交易日后的个股超额收益（开盘至开盘）。 数据处理：对每个样本内的个股数据的每个指标进行时间序列上的去极值， 标准化，再对同时间的所有个股数据进行一次截面标准化。 模型结构及细节：双向 LSTM(128, 128) + MLP(256, 64, 64, 1)，每半年对过去 825 个