基于神经网络的股票预测模型

针对股票市场的特征提取困难、预测精度较低等问题,本文基于深度学习算法,构建了一系列用于股票市场预测的神经网络模型,包括基于多层感知机(MLP)、卷积神经网络(CNN)、递归神经网络(RNN)、长短期记忆网络(LSTM)和门控神经单元(GRU)的模型。针对RNN、LSTM和GRU无法充分利用所参考的时间维度的信息,引入注意力机制(Attention Mechanism)给各时间维度的信息赋予不同权重,区分不同信息对预测的重要程度,从而提升递归网络模型的性能。上述模型均基于股票数据进行了优化,基于上证指数对各类模型进行了充分的对比实验,探索了模型中重要变量对性能的影响,旨在为基于神经网络的股票预测模型给出具体的优化方向。

区块链技术赋能数字金融

数字金融是国家数字经济战略的重要组成部分,区块链技术等数字金融技术是数字金融的核心驱动力。区块链技术从货币端重构金融生态,数字货币为数字金融提供了价值载体,区块链技术在支付端优化了传统的支付体系,为金融体系提供了更好的流动性。此外,区块链技术助力传统供应链金融传递信用,将价值传递给小微企业,实现资源的有效配置。同时,区块链技术助力监管科技,为监管者提供了更强有力的监管手段,有助于把控各种金融风险。随着区块链技术与金融场景的不断结合,相信会有越来越多的商业模式落地,越来越多的人才将主动拥抱学习区块链技术,助力金融数字化迈入新阶段。

基金经理的最优决策与薪酬机制基于换手率视角

本文结合对冲基金在临近清算边界时其换手率增大的实际情况,基于高水位合约奖励机制,利用随机最优控制理论,得到基金经理的效用函数所满足的偏微分方程,并运用有限差分法进行数值模拟,分析其经济学意义。我们发现:基金经理的换手率、总薪酬等均受到基金规模与当前高水位线的比值的影响;基金经理的动态最优换手率会降低基金的清算风险;同时还会表现出避免过于快速地获取绩效费的行为特征。

区块链技术如何渗透到不同金融场景:现状与趋势

区块链作为一种全新的技术组合,具有去中介化、安全性、可编程性、可拓展性、透明性和匿名性的特点。区块链技术正渗透到不同的金融场景,其在金融领域内应用面临的主要挑战包括区块链技术本身的限制、隐私安全有待加强、金融监管的难度增加等。未来区块链技术在金融业的应用呈现出以下几个方面的趋势:一是各金融机构有可能会逐步组建联盟,共同制定区块链技术标准。二是各金融机构将继续重点开发核心业务中的区块链应用场景。三是应当理性务实看待和推动区块链技术创新发展,客观认识其发展阶段及市场影响。