我的本科毕业论文探索非线性模型能否更好地刻画 A 股市场中公司特征与资产价格的关系，以及如何让模型同时理解横截面信息与时间。
68公司特征
2010–2022历史研究区间
CNN + LSTM结合注意力机制
研究问题
传统资产定价方法通常建立在线性假设之上。本研究利用沪深 300 股票数据及 68 个公司特征，考察机器学习对非线性关系的刻画能力。
研究区间为 2010 年 1 月至 2022 年 1 月。除比较不同模型外，也分析了输入特征的重要性及其变化。
方法与实现
实现并比较支持向量机、梯度提升回归树、随机森林、多层感知机，以及线性和循环神经网络基准。
进一步尝试将卷积特征提取、LSTM 序列建模和注意力机制结合，希望在同一架构中处理特征之间的关系与时间信息。
- 收集并预处理公司特征与股票数据。
- 划分训练集、验证集和测试集。
- 比较不同模型的样本外拟合表现。
- 分析特征重要性及其时间稳定性。
研究发现
在这项历史实验中，非线性模型整体上优于线性基准。增加神经网络层数并不总能改善效果，更复杂的模型可能出现过拟合。
混合模型在论文的比较中表现最好，特征分析也显示少数公司特征占据了大部分重要性。这些结论来自当时的学术实验，不代表实盘投资表现。
需要保留的局限
论文明确指出潜在的前视偏差：财务数据库可能包含事后调整的数据，而非完整的时点历史数据。这限制了历史结果能够支持的结论。
其他约束包括模型可解释性、计算资源和训练随机性。进一步研究应优先完善时点数据、样本外评估，以及对模型行为的经济学解释。
对我的意义
这是工程背景与投资兴趣较早的一次交汇，也让我开始把建模问题和数据质量问题放在一起思考。这种视角延续到了今天的研究与工具构建中。