深度学习模型选股与择时融合实战

📚 共计 30 章节

深度学习选股与择时融合的背景、意义与整体框架。

金融数据基础

股票数据获取（Tushare/akshare）、数据清洗与预处理。

特征工程（上）

技术指标计算（MA、MACD、RSI、布林带）。

特征工程（下）

基本面因子、另类数据与特征标准化。

基本面标准化

张量操作、自动求导与模型构建基础。

PyTorch自动求导

MLP选股模型

多层感知机结构、训练与回测框架搭建。

LSTM时序预测

循环神经网络原理、LSTM用于股价趋势预测。

Attention机制

自注意力与Transformer在量化中的应用。

AttentionTransformer

卷积网络提取局部模式，时序卷积网络。

图神经网络（GNN）

关系图谱构建，GCN用于股票关联分析。

自编码器与异常检测

无监督学习识别市场异常状态。

自编码器异常检测

强化学习交易（上）

环境搭建、状态空间与动作空间设计。

强化学习环境

强化学习交易（下）

DQN、PPO算法实战与策略优化。

Bagging、Boosting、Stacking融合多模型信号。

模型融合策略

加权投票、元学习与动态权重调整。

融合元学习

择时信号生成

基于LSTM+Attention的买卖点判断。

择时LSTM+Attention

选股与择时融合框架

双通道模型设计与协同训练。

双通道协同

回测系统搭建

向量化回测、事件驱动回测与绩效指标。

最大回撤控制、VaR、夏普比率与凯利公式。

过拟合与正则化

Dropout、早停、L1/L2正则化实战。

正则化Dropout

超参数调优

网格搜索、贝叶斯优化与Optuna框架。

多因子模型对比

传统多因子 vs 深度学习因子。

多因子对比

高频交易策略

Tick级数据、订单簿特征与微观结构。

行业轮动策略

基于聚类与图神经网络的行业配置。

情绪分析与舆情因子

NLP处理新闻、社交媒体数据。

对抗训练与鲁棒性

提升模型在市场极端情况下的稳定性。

模型部署与实盘

Flask API、Docker容器化与Crontab调度。

仓位控制、分批建仓与动态再平衡。

策略评估与归因

Brinson归因、换手率分析与滑点模拟。

总结与展望

课程回顾、常见误区与未来研究方向。