神经网络模型——以GRU 为代表的优化探索对于GRU 模型，我们发现利用日度K 线和转债的三种溢价率作为输入，可以取得最好的效果。为了提升模型的多头表现，我们尝试使用专注于多头的损失函数，但效果不佳，反而导致信息比率和多空指标下滑。为应对训练样本不足的问题，我们引入了数据增强策略，尤其在2022 年之前的数据上取得了显著成效。然而，在数据充足的2022 年之后，使用原始数据反而更能适应市场变化。...
网页链接神经网络模型——以GRU 为代表的优化探索对于GRU 模型，我们发现利用日度K 线和转债的三种溢价率作为输入，可以取得最好的效果。为了提升模型的多头表现，我们尝试使用专注于多头的损失函数，但效果不佳，反而导致信息比率和多空指标下滑。为应对训练样本不足的问题，我们引入了数据增强策略，尤其在2022 年之前的数据上取得了显著成效。然而，在数据充足的2022 年之后，使用原始数据反而更能适应市场变化。...
网页链接免责声明：投资有风险，本文并非投资建议，以上内容不应被视为任何金融产品的购买或出售要约、建议或邀请，作者或其他用户的任何相关讨论、评论或帖子也不应被视为此类内容。本文仅供一般参考，不考虑您的个人投资目标、财务状况或需求。TTM对信息的准确性和完整性不承担任何责任或保证，投资者应自行研究并在投资前寻求专业建议。