该论文研究了回归模型（OLS 线性回归、Ridge 回归、随机森林和全连接神经网络）在 CMA（保守与激进）因子溢价预测和因子择时投资方面的表现。外样本 R 方显示更灵活的模型在解释未知时期因子溢价的方差方面具有更好的性能，回测证实基于更灵活模型的因子择时倾向于超过线性模型。然而，对于神经网络等灵活模型，其预测基于的最优权重往往不稳定，这可能导致高交易成本和市场影响。我们验证了根据历史最优再平衡方案将再平衡频率降低可以有助于减少交易成本。

Apr, 2024

GateNet 模型提出了基于门控机制的神经网络 CTR 模型，引入特征嵌入门或隐藏门来提升模型性能，该模型在真实数据集上得到了有效验证。

Jul, 2020

本文提出了一种结合了经典时间序列模型和深度神经网络优点的数据驱动和可扩展的混合模型，通过潜在的全局深层次组件和局部的经典高斯过程模型来处理不确定性，并在实践中展示了比现有技术更高的准确性。

Nov, 2018

该研究中提出了一种基于 LSTM 和 LRP 的深度复发因子模型，将线性多因子模型扩展为非线性和时变，具有更好的预测能力。

Jan, 2019

本研究提出了一种混合模型，将经典时间序列模型与基于深度神经网络的模型结合起来，通过全局深度组件实现可扩展性和数据驱动，同时通过本地经典模型处理不确定性。实验证明，该模型在数据效率、准确性和计算复杂性方面具有优势。

May, 2019

该研究介绍了一种新的深度神经网络架构并提出了一种新的方法来准备金融数据以便于它们被馈入该模型，以预测股票和加密货币市场的价格波动。研究表明，该框架可以提供有利可图和稳健的预测，并引入一个交易策略来利用训练模型的输出。

May, 2022

本研究首次提出了一种覆盖因子选择、因子组合、股票选择和投资组合构建等环节的端到端深度学习框架，通过实验证明，这种框架在积极投资中具有有效性。

May, 2023

通过使用深度学习技术进行系统交易，该文构建了一种名为 DeepStock 的模型，能够根据过去 600 天的股票价格预测未来 D 天内股价的涨跌幅度，在韩国和美国的股市中比市场平均水平的收益分别高出 N% 和 A%。

Apr, 2023

通过打开 Deep Learning 在投资组合优化中的黑匣子，我们证明一个足够宽且任意深的神经网络（DNN）在最大化随机折现因子（SDF）的夏普比率时等效于一个大型因子模型（LFM）：一个使用许多非线性特征的线性因子定价模型。这些特征的性质取决于 DNN 的架构，可以明确地进行处理。这使得我们首次能够以闭合形式推导出端到端训练的基于 DNN 的 SDF。我们通过实证评估了 LFM，并展示了各种架构选择如何影响 SDF 的性能。我们记录了深度复杂性的优势：有足够的数据量时，DNN-SDF 在深度神经网络（NN depth）中的外样本表现随着深度的增加而增强，在约 100 个隐藏层的巨大深度饱和。

Jan, 2024

通过深门控网络作为框架，理论分析和实验验证了几种 DGNs 变体，阐述了深度神经网络的训练和泛化方面的问题，着重讨论了为什么增加深度能帮助训练到一定程度，而增加深度会伤害训练，以及证明了门控自适应在泛化中的关键作用。

Feb, 2020