基于深度学习的矿山环境损害评估与修复策略智能优化
计算工程、金融与科学
2024-04-03 v1 计算金融
摘要
近几十年来，金融量化迅速兴起并日趋成熟。对于基金等金融机构而言，投资机构越来越不满足于被动构建市场平均收益的投资组合，而越来越关注主动量化策略投资组合。这就要求引入主动型股票投资基金管理模式。目前，在我国股票基金投资市场中，主动量化投资策略众多，所用算法也千差万别，如SVM、随机森林、RNN循环记忆网络等。本文顺应这一趋势，以金融股票投资领域新兴的LSTM-GRU门控长短期记忆网络模型为基础，构建了一套主动投资股票策略，并将其与在量化股票投资领域广泛使用的SVM、RNN等模型进行比较。理论上讲，与单纯依赖核函数进行数据高阶映射和分类的SVM相比，RNN、LSTM-GRU等神经网络算法原理更优，更适合处理金融股票数据。然后，通过多次比较，最终发现LSTM-GRU门控长短期记忆网络具有更好的准确性。通过选择LSTM-GRU算法构建基于沪深300指数成分股的交易策略，调整参数和神经层连接，最终长期显著跑赢基准指数沪深300。本文的结论是，研究成果可为金融机构构建主动型股票投资组合提供一定的量化策略参考。
引用
@article{arxiv.2404.01624,
title = {Intelligent Optimization of Mine Environmental Damage Assessment and Repair Strategies Based on Deep Learning},
author = {Qishuo Cheng},
journal= {arXiv preprint arXiv:2404.01624},
year = {2024}
}