注意力模型最近几年在深度学习各个领域被广泛使用，无论是图像处理、语音识别还是自然语言处理的各种不同类型的任务中，都很容易遇到注意力模型的身影。视觉注意力机制是人类视觉所特有的大脑信号处理机制。

人类视觉通过快速扫描全局图像，获得需要重点关注的目标区域，也就是一般所说的注意力焦点，而后对这一区域投入更多注意力资源，以获取更多所需要关注目标的细节信息，而抑制其他无用信息。这是人类利用有限的注意力资源从大量信息中快速筛选出高价值信息的手段，是人类在长期进化中形成的一种生存机制，人类视觉注意力机制极大地提高了视觉信息处理的效率与准确性。

双向 LSTM。底部的网络接收原始顺序的序列，而顶部的网络按相反顺序接收相同的输入。这两个网络不一定完全相同。重要的是，它们的输出被合并为最终的预测。

按照《量化投资策略：多因子到人工智能》课程源码资料中的步骤，搭建深度学习模型，选择ALSTM双向循环算法，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等步骤。最终在每个月底可以产生对全部个股下期上涨概率的预测值，然后根据正确率、AUC 等指标以及策略回测结果对模型进行评价。我们的模型设置为月频换仓，为了让模型及时学习到市场特征的变化并兼顾计算效率，我们采用了滚动回测方法，即从 2019年1月1开始，每月底重新构建一次模型，在下一月进行测试。我们还根据模型的预测结果构建了沪深300成份内选股和中证500成份内选股策略，通过年化收益率、夏普比率、最大回撤等指标综合评价策略效果。

截至2022年4月1，中证500指数增强收益124%，同期指数50%，超额74%，夏普比率1.13，最大回撤25%。

截至2022年4月1，沪深00指数增强收益106%，同期指数40%，超额66%，夏普比率1.07，最大回撤28%。

收敛速度高于LSTM，但策略效果不如它。

关键词： 量化投资策略Attention双向循环LSTM算法选股 量化投资