深度学习算法

有偿提供源码，有需要请加我v

微信号

AI_believers

有偿提供源码和代做，有需要请加我v

微信号

AI_believers

论文原名

《Deep Learning for Portfolio Optimization》

论文作者

张子豪、斯蒂芬·佐伦、斯蒂芬·罗伯茨牛津曼数量金融研究所，牛津大学

引言

我们采用深度学习模型直接优化投资组合夏普比率。我们提出的框架规避了预测预期的要求回报并允许我们通过更新模型直接优化投资组合权重参数。我们交易交易所交易基金，而不是选择单个资产(ETF) 的市场指数以形成投资组合。不同资产类别的指数显示强大的相关性和交易它们大大减少了可用的范围可供选择的资产。我们将我们的方法与各种算法进行比较结果表明我们的模型在测试中获得了最佳性能期间，从 2011 年到

摘要

本报告使用深度学习方法对基本面模型进行增强，增强模型首先对使用基本面模型选出初选股票池，然后使用深度学习模型对初选股票池进行二次筛选，该策略在较低的换手率水平下可以获得更高超额收益

基本面模型和深度学习模型具备组合基础

以中证800指数为基准的增强模型表现

以沪深300为基准的增强模型表现

正文

[/wiki/static/upload/d1/d160425b-d3c3-402c-8336-3adb0c369a0d.pdf](/wiki/static/upload/d1/d160425b-d3c3-402c-8336-3adb0c369a0

1958 年感知机的诞生以及1986 年反向传播算法的出现，为深度学习奠定了基础。

1989 年，卷积神经网络（CNN）首次被提出，共用卷积核的方式很大程度上减少了模型中需要被训练的参数，在图像识别等方面有更好表现。

2000 年，一类非常重要的循环神经网络（RNN），长短期记忆神经网络（LSTM）被提出，在一定程度上缓解了梯度消失和梯度爆炸等问题。

2009 年，深度信念网络（DBN）与深度玻尔兹曼机（DBM）先后被提出，其中 DBM是多个受限玻尔兹曼机（RBM）相连构成的无向图，而 DBN 是在最远离可视层处为 RBM，其余层为贝叶斯信念网络的混合模型。

同年，图神经网络（GNN）

高频选股因子周报

下表汇总了海通证券金融工程团队开发的高频选股因子本周、2月及2022年的多空收益、多头超额收益及月度胜率。

高频偏度因子

下图展示了月度换仓的高频偏度因子全市场前后10%多空

摘要

深度学习介绍及应用案例

本篇报告将焦点放在深度学习上，介绍了深度学习的常用算法和在金融领域上可以运用的场景，并给出了两个具体的案例。

监督类方法介绍

监督的深度学习算法基于神经网络结构，这种系统一般由多个层堆叠组成特定神经网络，不同算法的差别来自层的组成结构及层与层之间的关系。深度神经网络在普通神经网络的基础上，增加隐含层的数量，学习输入与输出之间的非线性关系。循环神经网络随数据的输入生成动态模型，以捕捉之前的输出和当前输出的关系，并衍生出了如LSTM的结构，解决遗忘较长时间信息的问题。卷积神经网络主要通过卷积和池化的方式连接每层的输入和输出，达到降低数据维

前言

传统的CTA策略多为多品种多周期的趋势跟踪策略组合。其中对于趋势的定义，大都基于时间序列计算出的传统技术指标，如MACD、均线等。然后根据趋势的多空，构建多品种的多空组合。随着深度学习的发展，很多研究者在量化CTA策略的研发中，开始尝试深度学习算法。常见的作法，如直接用深度学习预测每个品种未来一段时间的收益率，并根据预测收益构建品种多空的组合。但这钟做法有以下两个缺点：

• 直接预测收益，并没有考虑组合的风险；
• 没有考虑每个品种在组合钟的权重。

在Lim etl. 2019的论文《Enhancing Time Series Momentum S