长短期记忆神经网络LSTM(Long short-term memory)是一种时间递归神经网络，适用于处理和预测时间序列中具有相对较长间隔和延迟的重要事件。LSTM，长短期记忆神经网络，与其说是一个循环神经网络，不如说是其组件的增强版。具体来说，就是用长时记忆的模块代替循环神经网络隐层中的小圆。LSTM引入自循环的巧妙思路，生成梯度长时间连续流动的路径，这是最初LSTM模型的核心贡献。
其中一个关键的扩展是让自循环的权重依赖于上下文，而不是固定的。这个自门控循环的权重(由另一个隐藏单元控制)和累积时间尺度可以动态改变。除了外部的RNN循环，LSTM环流网还有内部的LSTM环流(自循环)。LSTM通过精心设计避免了长期依赖的问题。请记住，长期信息是LSTM在实践中的默认行为，而不是需要付出巨大代价才能获得的能力。
根据《量化投资策略：多因子到人工智能》课程源数据中的步骤，构建深度学习模型，选择LSTM算法。该构建包括特征和标签提取、特征预处理、样本内训练、交叉验证和样本外测试。最后，在每个月的月末，可以生成所有股票在下一个周期的上涨概率的预测值，然后根据准确率、AUC等指标和策略回测结果对模型进行评估。我们的模型被设置为以每月一次的频率改变仓位。为了使模型能够及时学习市场特征的变化，同时兼顾计算效率，我们采用了回滚测试的方法，即从2019年1月1日开始，我们在每个月底对模型进行重建，并在次月进行测试。根据模型的预测结果，我们还构建了沪深300和中证500的选股策略，并通过年化收益率、夏普比率、最大回撤等指标综合评价了策略的效果。
截至2022年2月28日，中证500指数增强收益107%，同期指数60%，超额47%，锐比0.98，最大回撤22%。
截至2022年2月28日，沪深300指数增强收益204%，同期指数50%，超额154%，锐比1.39，最大回撤27%。
