注意力模型最近幾年在深度學習各個領域被廣泛使用，無論是影象處理、語音識別還是自然語言處理的各種不同型別的任務中，都很容易遇到注意力模型的身影。視覺注意力機制是人類視覺所特有的大腦訊號處理機制。

人類視覺透過快速掃描全域性影象，獲得需要重點關注的目標區域，也就是一般所說的注意力焦點，而後對這一區域投入更多注意力資源，以獲取更多所需要關注目標的細節資訊，而抑制其他無用資訊。這是人類利用有限的注意力資源從大量資訊中快速篩選出高價值資訊的手段，是人類在長期進化中形成的一種生存機制，人類視覺注意力機制極大地提高了視覺資訊處理的效率與準確性。

雙向 LSTM。底部的網路接收原始順序的序列，而頂部的網路按相反順序接收相同的輸入。這兩個網路不一定完全相同。重要的是，它們的輸出被合併為最終的預測。

按照《量化投資策略：多因子到人工智慧》課程原始碼資料中的步驟，搭建深度學習模型，選擇ALSTM雙向迴圈演算法，構建包括特徵和標籤提取、特徵預處理、樣本內訓練、交叉驗證和樣本外測試等步驟。最終在每個月底可以產生對全部個股下期上漲機率的預測值，然後根據正確率、AUC 等指標以及策略回測結果對模型進行評價。我們的模型設定為月頻換倉，為了讓模型及時學習到市場特徵的變化併兼顧計算效率，我們採用了滾動回測方法，即從 2019年1月1開始，每月底重新構建一次模型，在下一月進行測試。我們還根據模型的預測結果構建了滬深300成份內選股和中證500成份內選股策略，透過年化收益率、夏普比率、最大回撤等指標綜合評價策略效果。

截至2022年4月1，中證500指數增強收益124%，同期指數50%，超額74%，夏普比率1。13，最大回撤25%。

截至2022年4月1，滬深00指數增強收益106%，同期指數40%，超額66%，夏普比率1。07，最大回撤28%。

收斂速度高於LSTM，但策略效果不如它。