运算符嵌套和卷积神经网络
全文总结 本文主要介绍了对 AlphaNet--V1 模型进行改进得到 AlphaNet--V3 模型的过程，以及与随机森林模型进行比较。具体内容包括在 AlphaNet--V1 基础上加入多步长的特征提取层、将池化层替换为门控循环单元（GRU）、调整预测标签值、训练和测试模型、与随机森林模型对比等。 重要亮点
- AlphaNet-V1 的不足与改进方向：AlphaNet-V1 给出的标签预测值几乎都为常数，不理想。因此在 AlphaNet-V3 中进行两方面改进，一是调整网络结构，加入不同步长的特征提取层并将池化层转换为 GRU；二是调整标签值，转换为涨跌方向和超额收益方向。
- 加入多步长特征提取层：在 AlphaNet-V1 的固定步长特征提取层基础上，加入步长为 3 的特征提取层，通过自定义函数生成不同步长的索引列表，传入自定义的 Inception 类实现平行的特征提取层。
- 将池化层替换为 GRU：AlphaNet-V1 的池化层会丧失时序信息，将其转换为 GRU 可以接受时序输入并输出带有时序记忆的隐藏状态。自定义 GRU 层并嵌入到 Inception 类中，保留特征提取层输出的时序信息。
- 训练和测试 AlphaNet-V3 模型：AlphaNet-V3 模型更复杂，训练时需要更多轮次才显现收敛趋势。绘制训练集和测试集上损失的变化，比较部分样本标签的预测值和真实值，发现预测效果不理想，考虑转换预测目标。
- 调整预测目标：分别将预测目标调整为收益率的方向和超额收益率的方向，进行相应代码调整，绘制 ROC 曲线和混淆矩阵评估预测效果，结果表现一般。
- 与随机森林模型比较：以“超额收益率的方向”为预测目标，将随机森林模型作为 baseline，介绍其分类预测过程，输出模型评价指标，进行特征重要性排序，发现最重要的特征几乎都为 vwap。