量化研究 · 第 5 章 神经网络与深度学习选股
文档摘要
量化研究 · 第 5 章 神经网络与深度学习选股 章节摘要:本章进入 AI 选股的第二阶段——神经网络与深度学习。比起第 4 章传统 ML,深度学习能自动学习特征间的复杂非线性组合,在量价选股上表现突出。本章按华泰 AI 系列中期脉络讲四块:从全连接神经网络(MLP)入门;循环神经网络(RNN/LSTM)处理时序特征;卷积神经网络(CNN)挖掘局部模式;重点详解华泰自研的 AlphaNet——一个专门为「量价特征挖掘」设计的神经网络结构。本章共 4 节,前置依赖为「第 4 章」。 学习目标 阅读完本章,你应当能够: 理解全连接网络(MLP)在选股中的应用与局限。 说清 RNN/LSTM 为何适合时序金融数据。 理解 CNN 如何挖掘量价的局部模式。
量化研究 · 第 5 章 神经网络与深度学习选股
章节摘要:本章进入 AI 选股的第二阶段——神经网络与深度学习。比起第 4 章传统 ML,深度学习能自动学习特征间的复杂非线性组合,在量价选股上表现突出。本章按华泰 AI 系列中期脉络讲四块:从全连接神经网络(MLP)入门;循环神经网络(RNN/LSTM)处理时序特征;卷积神经网络(CNN)挖掘局部模式;重点详解华泰自研的 AlphaNet——一个专门为「量价特征挖掘」设计的神经网络结构。本章共 4 节,前置依赖为「第 4 章」。
学习目标
阅读完本章,你应当能够:
- 理解**全连接网络(MLP)**在选股中的应用与局限。
- 说清 RNN/LSTM 为何适合时序金融数据。
- 理解 CNN 如何挖掘量价的局部模式。
- 详解 AlphaNet 的结构设计(特征提取层 + 池化 + 全连接)及其创新点。
核心概念速览
深度学习选股:让网络自动学「量价→收益」的复杂映射,AlphaNet 是华泰的代表作。
子章节导航
01 全连接神经网络
华泰 AI 8;MLP 结构、激活函数、梯度消失、选股基线。
02 循环神经网络
华泰 AI 9;RNN 原理、LSTM 门控、时序特征建模。
03 卷积神经网络
华泰 AI 15;卷积核、池化、量价局部模式挖掘。
04 AlphaNet 详解
华泰 AI 32,34;AlphaNet 的特征提取层(趋势/波动特征生成函数)、池化、全连接;结构与特征优化。
子章节之间的逻辑关系
本章第 01 节(MLP) ──► 第 02 节(RNN) ──► 第 03 节(CNN) ──► 第 04 节(AlphaNet) │ ▼ 下一章(第 6 章 前沿 AI 选股方法)
前置知识与后续延伸
前置知识:
- 第 4 章(机器学习基础)
- 神经网络基本概念(非必需,会讲)
后续延伸:
- 第 6 章讲更前沿的 GAN/BERT
- AlphaNet 的思想会影响第 8 章的因子挖掘