基于LSTM算法的基金因子暴露度估计

基金因子暴露度是投资者构建投资组合的重要参考指标，但传统方法存在时滞问题。探索利用LSTM算法，根据基金净值序列和因子收益序列反推基金因子暴露度走势。通过特征变量选取、模型构建和超参数调整，在测试集上取得了较好的预测效果，平均绝对误差（MAE）为0.109。相比线性回归，LSTM算法在绝对值对应和暴露度变化的敏感度上均有提升。文章还讨论了“模拟基金法”的局限性，并展望了LSTM算法在未来研究中的应用方向，例如结合其他机器学习算法以提升预测准确性和泛化能力。