论文部分内容阅读
很多时候金融变量之间的关系并非线性,真正的全局最优解也会在传统量化模型的认知之外。在现有的机器学习框架下,将神经网络运用在量化投资可以去研究变量之间复杂的非线性规律,同时依托于计算机强大的计算能力,能够通过迭代算法找到全局最优解。本文的目的是将深度学习框架与传统投资理论相结合,用以构建一个新的量化投资策略,使其能应用于国内金融投资市场。本文先是在长短期记忆网络(LSTM)的框架下,通过设计神经节点、激活函数和输出函数等来构建一个可以处理长期时间序列的循环神经网络。之后在已有的随机控制资产配置理论的基