融合注意力机制的LSTM期货投资策略
近年来,金融量化领域中不断出现基于人工智能算法的量化投资模型,这些模型试图通过人工智能的方法来对金融时间序列建模,从而对数据进行预测并构建投资策略.针对传统的长短时记忆神经网络(Long Short Term Memory,LSTM)对金融时间序列预测不佳的问题,本文提出一种改进的LSTM模型,通过在LSTM层加入注意力机制(attention mechanism)提高神经网络的预测效果,通过遗传算法(Genetic Algorithm,GA)对模型参数调优提高模型泛化能力.使用2019年1月至2020年5月期间国内股指期货数据,我们进行了现有最高水平(state-of-the-art)算法间对比实验,结果显示本文提出的改进的LSTM模型的各方面指标均优于其它模型,显示了该策略模型应用于期货投资的有效性.
神经网络;遗传算法;注意力机制;回测;期货;投资策略
30
2021-08-26(万方平台首次上网日期,不代表论文的发表时间)
共9页
22-30