选股模型
在金融领域，选股模型是投资者用于识别和筛选潜在投资机会的重要工具。这些模型结合了多种分析方法和数据指标，旨在缩小选择范围，找出那些最有可能带来超额收益的个股。有效的选股模型通常基于深入的市场研究，运用基本面、技术面或量化分析等手段，综合评估公司的财务健康、市场前景、竞争力以及股票价格动向等多个维度。通过这些模型，投资者可以更加系统化、理性地制定投资策略，降低主观判断的风险，优化投资组合的表现，从而实现长期稳健的投资回报。
摘要
本报告在因子分析与筛选的基础上，选取了有效且稳健的因子并赋予合理权重，构建了多因子综合打分选股模型，结果表明模型取得了出色的效果，并具有较高的稳健性和实用性。
本文的创新之处
- 分不同股票池选股。我们分别在6个股票池中选取各自有效的因子，并赋予合理权重，建立了多因子综合打分的选股模型。并比较了直接选股与分周期、非周期选股再组合的效果。
- 按有效性分层赋权。先对五大类因子赋予5个大类权重。然后在每个大类里，按因子有效性的高低分配，设置每个因子的类内权重。分层赋权能使赋权的结果更加客观和合理。
- 模拟组合等比例配置，以等权指数为比较基准。本报告中的模拟组合都是
更新时间：2021-11-25 10:11
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
更新时间：2021-04-20 06:13