残差学习深化资产定价神经网络
热点事件持续更新
残差学习深化资产定价神经网络
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
Dexin Peng 与 Xiaoyu Wang 发表论文，提出用残差学习深化资产定价神经网络：通过保留并精炼浅层网络，使模型可以做得更深。 论文报告，深度残差模型的价值加权多空组合样本外 Sharpe 比率为 2.07，高于对应浅层模型的 1.92，是深度前馈模型 0.89 的两倍以上。作者据此称模型深度是资产定价中额外经济价值的来源，该方法可用于加深其他含中间层的神经网络资产定价模型。上述数值为论文报告的结果。
AI 根据报道生成 · 2 小时前更新
最新进展10月8日 12:00
残差学习让资产定价神经网络更深：深度残差模型样本外 Sharpe 比率达 2.07报道时间线
沿着报道，了解事件的不同侧面。
10月8日
- arXiv cs.LG残差学习让资产定价神经网络更深：深度残差模型样本外 Sharpe 比率达 2.07
残差学习通过保留并精炼浅层网络，让资产定价神经网络得以加深，深度残差模型价值加权多空组合的样本外 Sharpe 比率为 2.07，高于对应浅层模型的 1.92，是深度前馈模型 0.89 的两倍以上。研究表明模型深度是资产定价中额外经济价值的来源，该方法可用于加深其他含中间层的神经网络资产定价模型，也为资产定价模型的规模化提供了一条路径。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。