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

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

该研究利用深度学习与神经网络构建了一个 5 层的 2048 维预测模型来预测股票收益率的走势，该模型经实验验证，通过该模型可优化投资策略。

May, 2023

本文研究公司的财务健康状况，探究一些因素以预测它们的财务数据，并使用深度神经网络进行预测，结果表明，相对标准因素模型，我们的模型具有更高的年度复合收益率。

Nov, 2017

提供新的金融和宏观经济比率以及监督学习模型（ML 回归器和神经网络）和贝叶斯模型预测公司绩效，并发现这些新的变量与行业标准比率结合使用可以提高模型准确性。Feedforward 神经网络（FNN）在 6 个预测任务中（ROA、ROE、净利润率、经营利润率、现金比率和经营现金生成）中实施更简单且表现最好，并且贝叶斯网络（BN）在特定条件下可以胜过 FNN，并且 BN 还能提供概率密度函数以及预测的价值。该研究对于 CFO 和 CEO 评估财务不佳的风险以引导公司朝更有利可图的方向发展，支持债权人更好评估公司情况，并为投资者提供更准确地分析上市公司财务报表的工具具有重要的潜力。

Sep, 2023

本文介绍了一种基于时间序列的深度学习方法及其与传统机器学习方法的比较结果，结果表明，输入变换可以提高传统 GBRT 模型的性能，使其优于所有评估的最新 DNN 模型。

Jan, 2021

本研究比较了传统方法和新兴神经网络方法的时间序列预测性能，使用了各种度量标准来评估它们的性能，结果表明 Deep AR 比所有其他深度学习和传统方法表现得都好，且其预测能力不会因训练数据量减少而降低。这表明，将深度学习方法纳入预测场景中显著优于传统方法，并可处理复杂的数据集，在天气预报和其他时间序列应用等各种领域具有潜在应用。

Jun, 2023

金融市场的价格波动被认为非常嘈杂，为减少风险并提高结果，我们采用了基于机器学习算法的模型集成方法，通过学习一系列模型并在测试时对数据进行修剪，预测固定期限收益。这种方法有望在更低的风险水平下获得更好的整体回报。

Oct, 2023

使用机器学习、深度学习和统计分析技术来预测股票价格的准确模型一直是个具有挑战性的任务，本文将回顾多种深度学习算法，包括移动平均、ARIMA、LSTM、RNN、CNN 和全卷积神经网络模型，以及通过误差计算方法如均方根误差、平均绝对误差、均方误差等来评估其准确性，结果表明，较低的平均绝对误差（MAE）值可以更准确地预测股价。

Feb, 2024

通过提取和总结有用的预测信息（由 “因子张量” 表示）并利用张量分解模型将其输入到时间卷积神经网络中，本研究提出了一种因子增强的张量对张量神经网络（FATTNN）。该方法能够处理复杂数据结构之间的非线性关系，并在预测准确性和计算成本方面优于传统的统计模型和常规的深度学习方法。通过利用张量分解模型，提出的方法在提高预测准确性的同时，大幅度减少了数据维度从而加快了计算速度。通过模拟研究和对三个公共数据集的实际应用，验证了提出方法的实证性能，数值结果表明，与基准方法相比，提出的算法在预测准确性方面取得了显著的增加，并且计算时间显著减少。

May, 2024