【信达金工】涵盖价量与基本面因子的多模型结合神经网络

最后,我们将单日因子与窗口期因子结合起来,测试如果将13个单日因子通过时序神经网络拟合,而145个窗口期因子仍然沿用MLP拟合,这样的网络结构是否能稳定战胜原始MLP模型架构。研究过程中,MLP网络参数不变,使用2层,隐藏单元数为128、64,仅遍历时序神经网络的参数部分。网络结构见下图(结构图中假设使用2层GRU,隐藏单元数...

信达晨会(2024/11/01)金工:深度学习揭秘系列之二 | 电新:宏发股份...

因此本文采用将Alpha158中的单日因子用时序神经网络拟合后,与窗口期因子拼接,再一起经过MLP模型训练,发现这种应用方式稳定优于纯MLP模型,且能够总结一些隐藏单元参数和特征步长参数的经验设置方式。时序神经网络也可拟合原始行情数据。本文也将时序神经网络用于拟合原始高开低收均价成交额成交量等原始行情数据,行情合成因...

深度学习揭秘系列之一:基于量价与基本面结合的深度学习选股策略

在RankIC评价角度,随着隐藏层神经元数量增加,RankIC呈先增后减的趋势,因为若神经元数量较少,则引入的非线性不足,因此提升不够,而若神经元数量过多,则容易出现过拟合的问题。在2层隐藏层的结构下,同样可以看到全连接神经网络合成因子与线性因子的相关性随着神经元数量越多(从表8的左上角至右下角),相关性越低...

国赛将至,数学建模必备算法攻略,让你轻松出圈!

在此情境下,参赛队员需细致评估各方的优势与劣势,通过模拟与绘制多样化的曲线图,来探索并预测这种关系达到最优状态与均衡点的最佳时机。这一过程可能需分阶段实施,反复进行曲线的调整与拟合,甚至需构建效用函数等,以全面精准地把握博弈的动态变化。考点:曲线拟合、最优状态与均衡点2、优化类算法优化算法类别丰富,...

OpenAI遭遇研发谜团:有时大模型很难学会某一技能,过后又能突然学会

直线是一种最简单的模式(线性回归),但它可能不太准确,会漏掉一些点。如果有一条曲线能够连接每个点,那它将在训练数据上获得满分,但它无法泛化到新点。当这种情况发生时,该模型就出现了数据过拟合。根据经典统计学理论,模型越大、就越容易出现过拟合。这是因为有了更多的参数,模型更容易找到能连接每个点的线。

【专题研究】KD-Ensemble:基于知识蒸馏的alpha因子挖掘模型

相较于神经网络,由于树模型独特的分叉结构和拟合方式,其有着更强的泛化能力,在分类数据中有更好的表现,并且对特征重要性刻画较为具体,但树模型对应的拟合函数通常是局部线性的阶梯函数,因而在面对连续的极度非线性函数时表现的差强人意(www.e993.com)2024年11月4日。另外一方面神经网络具有强大的拟合能力,在各种非线性函数关系的拟合问题中有着...

观察|深度学习为何强大?适当的神经网络架构+大数据

用于图像最常见的神经网络架构是CNN(ConvolutionalNeuralNetworks,卷积神经网络)，它以分层方式学习这些特征，然后一个完全连接的神经网络将图像特征分类为不同的类别。比如，给定一组平面上的数据点，我们尝试通过插值拟合曲线，该曲线在某种程度上代表了定义这些数据点的函数。我们拟合的函数越复杂（例如在插值中，通过...

神经网络为何越大越好?

当然,神经网络与之类似。例如,图像由数百或数千个值描述——每个像素对应一个值。构成这个组合的自由值,在数学上就等价于高维空间中的点的坐标,而坐标的数量称为维数。一个古老的数学结果表明,要用曲线拟合n个数据点,需要一个包含n个参数的函数。当神经网络在20世纪80年代首次作为一股力量出现时,思考同样的事情...

研究揭秘:神经网络越大、表现越好的“神秘力量”

当然,神经网络与之类似。例如,图像由数百或数千个值描述——每个像素对应一个值。构成这个组合的自由值,在数学上就等价于高维空间中的点的坐标,而坐标的数量称为维数。一个古老的数学结果表明,要用曲线拟合n个数据点,需要一个包含n个参数的函数。当神经网络在20世纪80年代首次作为一股力量出现时,思考同样...

神经网络可解释性、深度学习新方法,2020 年 AI 有哪些势不可挡的...

第四行分别是(1)使用CIFAR-10数据集训练的ResNet-110模型(2)使用CIFAR-100数据集训练的ResNet-110模型(3)使用CIFAR-10数据集训练的VGG-19模型(4)使用CIFAR-100数据集训练的VGG-19模型。每条曲线都是根据20个网络的情况综合绘制而出。