请务必阅读正文之后的免责条款部分全球视野本土智慧
金融工程研究 Page 1
证券研究报告—深度报告
金融工程 [Table_Title]
金融工程专题研究
数量化投资
2017年05月24日
[Table_BaseInfo]
相关研究报告：
《多因子系列研究报告之一：风险（Beta）指
标静态测试》 ——2013-01-28
《金融工程机器学习专题：Adaboost算法下
得多因子选股》 ——2016-05-16
《金融工程机器学习专题：SVM算法选股以
及Adaboost增强》 ——2016-05-31 《金融工程机器学习专题：基于KMeans聚
类的多因子特征检验》 ——2016-11-27
证券分析师：黄志文
电话： 0755-82133928
E-MAIL： huangzw@guosen
证券投资咨询执业资格证书编码：S0980510120059
联系人：陈镜竹
电话： 0755-82130833-701336
E-MAIL： chenjz@guosen
独立性声明：
作者保证报告所采用的数据均来自合规渠道，
分析逻辑基于本人的职业理解，通过合理判断
并得出结论，力求客观、公正，结论不受任何
第三方的授意、影响，特此声明

专题报告
递归神经网络RNN—长短期记忆
细胞（LSTM）的多因子预测
递归神经网络RNN
RNN不同于传统神经网络的感知机的最大特征就是跟时间挂上钩，即包含了一
个循环的网络，就是下一时间的结果不仅受下一时间的输入的影响，也受上一
时间输出的影响，进一步地说就是信息具有持久的影响力。人们在看到新的信
息的时候产生的看法或者判断，不仅仅是对当前信息的反应，先前的经验、思
想的也是参与进去这次信息的推断的

RNN之长短期记忆细胞LSTM
LSTM是一种经过精心巧妙设计的RNN网络，尽管LSTM和原始RNN总的来
看都会三大层，即输入层、隐含层、输出层。但是LSTM和原始RNN在隐含
层设计上有较大的差异，主要是LSTM是在隐含层具备特殊的cell结构

多因子建模
应用于RNN网络结构中时，与传统的多因子模型有一定的区别：
T+1期的收益率仍然是训练的标签（label），因子对应的是样本的特征（feature），
个股对应的是一个样本，但是，时间维度，在RNN中，是一个循环的过程，将
过去T-n期的因子数据都要纳入T+1期收益率的预测之中

训练结果
在严格区分了训练集、测试集、样本外数据集之后，我们通过训练能够得到较
高准确度的收敛结果，并且在样本外数据回测中，得到显著的超额收益。交叉
检验的准确度接近90%，样本外多空收益最近12个月的胜率则超过90%

请务必阅读正文之后的免责条款部分 全球视野本土智慧
Page2
内容目录
深度神经网络与投资..... 4
递归神经网络(RNN)之LSTM . 4
神经网络原理介绍 ........... 4
递归神经网络RNN简介. 5
长期依赖问题（long term dependencies）..... 6
长短期记忆网络（LSTM）......... 7
LSTM结构设计与思想.... 8
LSTM详细实现步骤图解 8
LSTM的发展...... 10
多因子建模....... 11
数据结构 ..11
参数设定 . 12
训练结果........... 13
样本内训练 ......... 13
样本外检验 ......... 15
结果分析........... 18
结论....... 20
国信证券投资评级....... 21
分析师承诺....... 21
风险提示........... 21
证券投资咨询业务的说明 ...... 21