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。...
Source Link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。...
Source LinkDisclaimer: Investing carries risk. This is not financial advice. The above content should not be regarded as an offer, recommendation, or solicitation on acquiring or disposing of any financial products, any associated discussions, comments, or posts by author or other users should not be considered as such either. It is solely for general information purpose only, which does not consider your own investment objectives, financial situations or needs. TTM assumes no responsibility or warranty for the accuracy and completeness of the information, investors should do their own research and may seek professional advice before investing.