Asset returns in deep learning methods: An empirical analysis on SSE 50 and CSI 300
发表于 2020年7月15日上传于 2025年11月6日
本文使用2012至2017年沪深50与沪深300指数的日收益率数据,比较了线性回归、弹性网络(ENet)、主成分回归(PCR)与具有不同隐藏层数的深度神经网络(NN)模型的预测表现。实证发现,深度学习模型并非总优于传统线性模型,且最深的神经网络往往表现欠佳。针对沪深50,单隐层NN1模型在测试集上的预测能力最优,而针对沪深300,双隐层NN2表现最佳。通过结合岭回归正则化与早停技术,有效缓解了过拟合问题。研究强调了适合网络结构和训练策略的重要性,为金融资产收益预测的深度学习应用提供了实证依据。