第一章 引言
小盘股作为股票市场的重要组成部分，通常具有市值较小、成长性高及波动性大等特征。由于其受到资金关注度较低、信息不对称程度较高，传统定价模型往往难以精准捕捉其价格变动规律，这使得对小盘股超额收益的预测成为学术界与投资实务界共同关注的难点。在金融科技迅速发展的背景下，深度学习技术为解决这一非线性时序预测问题提供了全新思路。本研究聚焦于改进长短期记忆网络（LSTM）模型，旨在通过优化算法结构来提升对小盘股市场数据特征的提取能力。LSTM模型通过引入门控机制，有效克服了传统神经网络在处理长序列数据时的梯度消失问题，能够记忆历史信息中的关键特征，从而更准确地识别股价中的复杂模式。本研究将首先采集并整理小盘股的历史交易数据与相关财务指标，随后进行数据预处理与特征工程，构建基于改进LSTM的预测模型，并通过对比实验验证模型性能。通过这一研究，不仅能够验证深度学习在金融量化分析中的有效性，也为投资者在小盘股投资中制定科学的交易策略提供了数据支持与决策参考，具有重要的理论价值与现实意义。
第二章 改进LSTM模型构建与小盘股超额收益预测实证
2.1 小盘股超额收益的定义与测度指标选取
在构建改进LSTM模型进行预测之前，必须对小盘股及超额收益进行明确界定与科学测度。结合A股市场实际环境与学术界通用标准，本研究将小盘股定义为依据沪深300指数成分股剔除后的剩余股票，并进一步按总市值由低到高排序，选取处于后30%分位区间内的上市公司股票作为研究样本，此类公司通常具有高成长性与高波动性特征。超额收益作为被解释变量，其概念源于有效市场假说与因子定价理论，指股票收益率超过市场平均水平或无风险利率的部分，反映了投资者因承担特定风险而获得的额外回报。在测度指标选取上，虽然资本资产定价模型（CAPM）提供了基础框架，但鉴于小盘股受市场情绪、流动性及规模因子影响显著，仅依赖单一市场风险因子可能导致测度偏差。因此，本研究选用Jensen's Alpha（詹森指数）作为核心测度指标，通过引入Fama-French三因子模型计算经风险调整后的超额收益。该指标能有效剔除市场系统性风险及规模、价值因子的干扰，精准量化投资组合获取的主动管理收益，从而确保模型输入特征的纯净度与解释力。
表1 小盘股超额收益定义与测度指标汇总
2.2 传统LSTM模型的局限性分析
图 1 传统LSTM模型局限性分析逻辑架构
长短期记忆网络作为循环神经网络的改进变体，其核心机制在于通过引入门控单元来解决梯度消失问题，有效捕捉时间序列中的长距离依赖关系。在处理小盘股超额收益预测任务时，模型接收到的输入通常包含多来源的时间序列数据。LSTM在时间步 的核心运算过程如下：首先计算遗忘门 和输入门 ，公式为 和 ；随后更新细胞状态 ，其中 为候选值；最后输出隐藏状态 。然而，在面对小盘股数据时，传统LSTM存在显著局限性。小盘股超额收益受宏观市场、微观资金及情绪等多因素影响，数据维度高且噪声大。传统LSTM在更新状态时，对所有输入特征和时间步的处理权重相对均等，缺乏区分关键信息的能力。这导致模型在长周期输入中，无法自动突出对预测结果影响更大的核心因子，反而容易被大量无关的噪声因子干扰。随着网络层数增加，这种信息筛选机制的缺失使得有效特征被稀释，进而导致预测精度下降，难以满足精准捕捉小盘股高频波动特征的需求，因此亟需针对其权重分配机制进行改进。
2.3 基于注意力机制的LSTM改进模型构建
图 2 改进LSTM模型构建架构
针对上一节分析的传统LSTM模型在处理长序列数据时存在的梯度消失与关键信息稀释问题，本研究引入注意力机制对模型进行针对性改进。该改进的核心思路在于赋予模型对输入信息的“筛选”能力，使其不再是被动接收所有历史数据，而是主动聚焦于对预测结果贡献度更高的核心因子，从而降低市场噪声数据的干扰。具体实现路径上，改进模型首先通过注意力层接收各类输入的影响因子数据，计算每个时间步特征的注意力权重，通过差异化权重分配放大核心因子的影响力。随后，加权处理后的特征向量被输入至LSTM层，利用LSTM特有的门控结构捕捉时间序列中的深层依赖关系与长期波动规律。在网络结构训练过程中，模型采用反向传播算法优化参数，通过最小化损失函数不断调整注意力权重与LSTM内部权值矩阵，直至模型收敛。最终，模型输出层将LSTM提取的高维特征映射为具体的超额收益预测值。这种结构不仅保留了LSTM处理时序数据的优势，更通过注意力机制显著提升了模型捕捉关键市场信号的能力，为小盘股超额收益的精准预测提供了更稳健的技术实现方案。
2.4 实证数据集构建与预处理
本文实证研究选取沪深两市A股上市公司作为初始样本池，数据主要来源于国泰安（CSMAR）数据库及Wind金融终端，确保了数据的权威性与准确性。考虑到市场环境的时效性及数据的完整性，研究时间区间设定为2019年1月1日至2023年12月31日。依据学术界通用的定义，筛选出市值排名位于市场后25%的股票作为小盘股研究样本，以剔除大盘股对模型预测的干扰。在输入特征构建方面，遵循金融理论与市场实践，从估值、基本面、技术面及市场情绪四个核心维度筛选指标。具体包括市盈率、市净率等估值指标，代表盈利能力的净资产收益率等基本面指标，反映价格动量的移动平均线等技术指标，以及换手率等市场情绪指标，全方位捕捉影响超额收益的潜在因子。为确保模型训练质量，对原始数据进行严格的清洗：首先采用线性插值法填补少量缺失数据，对于缺失严重的样本予以剔除；其次利用3σ原则识别并剔除股价异常波动的极端值；最后采用Min-Max标准化方法将所有特征数据归一化至[0,1]区间，消除量纲差异对模型收敛的影响。最终，按照8:1:1的比例将数据集随机划分为训练集、验证集和测试集，其中训练集用于模型参数学习，验证集用于超参数调优，测试集用于评估模型的泛化能力，从而完成实证数据集的科学构建。
2.5 改进LSTM模型与传统模型的预测效果对比分析
为了全面评估改进LSTM模型在小盘股超额收益预测中的有效性与稳健性，本节设计了严谨的对比实验组。选取的对象涵盖传统LSTM模型、常用的线性回归模型以及支持向量机（SVM）等经典机器学习预测模型，旨在通过多维度比较验证改进策略的优越性。针对收益预测问题的特殊性，确立了包含预测准确率、均方误差（MSE）及夏普比率在内的综合评价指标体系。其中，预测准确率与均方误差用于衡量模型预测值与真实值之间的数值偏差，反映模型的基础拟合能力；而夏普比率则结合风险与收益，评估模型在实际投资应用中的经济价值与风险调整后收益。实验过程中，将各个模型在独立的测试集上进行推理运算，输出预测结果并计算上述指标。通过对评价指标结果的横向对比，直观展示改进LSTM模型在误差控制与收益捕捉上的表现。同时，运用统计检验方法验证改进模型相对于其他模型的预测差异是否具备显著性，从而从统计学意义上证明其并非偶然优于对比模型。最终，深入分析改进模型在小盘股数据非线性和波动性强特征下的适应性，阐明其在提升超额收益预测精度和辅助投资决策方面的实际应用优势。
第三章 结论
本研究通过对改进LSTM模型在小盘股超额收益预测中的应用进行深入分析，验证了该技术路线在量化投资领域的有效性与实用价值。核心结论表明，引入注意力机制与传统LSTM网络相结合的模型结构，能够有效克服单一神经网络在处理长序列金融数据时存在的梯度消失与长程依赖问题。在实验操作层面，研究选取了多维度技术指标与宏观因子作为输入特征，通过标准化数据预处理与时间序列滚动训练，构建了严谨的预测流程。实证结果显示，改进后的模型不仅在拟合精度上优于基准的BP神经网络与标准LSTM模型，更在预测稳定性上表现突出。实际应用中，该模型能够敏锐捕捉小盘股高波动性下的非线性价格特征，从而更精准地识别潜在的超额收益机会，显著提升了投资策略的胜率与风险调整后收益。本研究证实，深度学习技术在解决小盘股市场非结构化数据预测难题中具有重要应用潜力，为量化交易策略的优化提供了科学的技术支撑与实践参考，有助于推动金融科技在细分市场中的落地应用。