神經網絡模型——以GRU 為代表的優化探索對於GRU 模型，我們發現利用日度K 線和轉債的三種溢價率作為輸入，可以取得最好的效果。為了提升模型的多頭表現，我們嘗試使用專注於多頭的損失函數，但效果不佳，反而導致信息比率和多空指標下滑。為應對訓練樣本不足的問題，我們引入了數據增強策略，尤其在2022 年之前的數據上取得了顯著成效。然而，在數據充足的2022 年之後，使用原始數據反而更能適應市場變化。...
網頁鏈接神經網絡模型——以GRU 為代表的優化探索對於GRU 模型，我們發現利用日度K 線和轉債的三種溢價率作為輸入，可以取得最好的效果。為了提升模型的多頭表現，我們嘗試使用專注於多頭的損失函數，但效果不佳，反而導致信息比率和多空指標下滑。為應對訓練樣本不足的問題，我們引入了數據增強策略，尤其在2022 年之前的數據上取得了顯著成效。然而，在數據充足的2022 年之後，使用原始數據反而更能適應市場變化。...
網頁鏈接免責聲明：投資有風險，本文並非投資建議，以上內容不應被視為任何金融產品的購買或出售要約、建議或邀請，作者或其他用戶的任何相關討論、評論或帖子也不應被視為此類內容。本文僅供一般參考，不考慮您的個人投資目標、財務狀況或需求。TTM對信息的準確性和完整性不承擔任何責任或保證，投資者應自行研究並在投資前尋求專業建議。