基于序列预测模型盈利收益率预测的选股方法

长期投资者与短期交易者不同，侧重于考察影响公司健康状况的潜在力量。他们依赖基本面分析，试图衡量股票的内在价值。量化投资研究者已识别出一些价值因子来确定股票的投资成本并比较不同股票。本文提出使用序列预测模型来预测一个价值因子——公司的盈利收益率（EBIT/EV）以进行选股。研究了两种先进的序列预测模型——长短期记忆（LSTM）网络和门控循环单元（GRU）网络。这两种模型能够克服标准循环神经网络的固有问题，即梯度消失和梯度爆炸。本文首先介绍这些网络的理论，然后详述股票池构建、特征选择、数据结构化、模型建立与模型评估的工作流程。LSTM和GRU模型在预测精度上表现出优于传统前馈神经网络模型的性能。GRU模型略优于LSTM模型。