—
無特征工程的神經網絡模型（得分 5.34X）
比賽進入最后階段，現在是時候深入了解一些關于神經網絡模型的見解了。由于 Kaggle 討論區的需求，我在這里分享兩個神經網絡模型。第一個是 LSTM 模型，第二個是卷積網絡（ConvNet）。有趣的是，使用 LSTM 或 ConvNet，在沒有任何特征工程的情況下，你可以達到 5.3505 的得分（甚至達到 5.348X）。
通過僅僅結合一些失衡特征，使用 ConvNet 或 LSTM 就可以獲得 5.3439 的得分。我已經附上了兩個 notebook 供大家參考。
這些模型可以通過增加額外的特征（如全球股票統計）和優化來進一步提升，達到 5.33X 的得分范圍。它們與樹模型很好地結合，有可能將 LB 得分降低超過 0.01。
ConvNet 結構的一個重要方面是使用了殘差連接，這顯著提升了性能。
你可以在 Kaggle 上找到這些模型。以下是 LSTM 和 ConvNet 模型的鏈接：
- ConvNet: Optiver Conv Just IMB Inference Cleanup
- LSTM: Optiver No FE LSTM Inference Cleanup
此外，你可以在提供的倉庫中探索更多內容：
Optiver Trading Close Repository
)
)
