经过数十年的发展我国证券市场不断完善,参与证券投资的个人投资者人数众多。对投资者的投资行为进行客观、科学的评价可以帮助投资者确立理性的投资理念,但大多数个人投资者不具备专业的投资知识,无法独立对自己的投资行为做出准确的分析评价。由于个人投资者的投资行为与基金投资行为存在较大的差别,目前以基金为研究对象的业绩归因模型无法直接应用到个人投资者的投资行为分析中。此外投资者在投资过程中积累了大量的投资行为数据,简单地进行归因分析并无法完全利用用户投资行为数据中蕴含的信息。针对现有的问题,本课题以用户投资行为作为研究对象,提出了用户业绩归因模型,并对将循环神经网络模型应用于用户投资行为建模分析进行研究。本文的研究工作包括以下几个研究内容:针对传统机器学习算法只使用用户投资行为的统计特征,无法处理用户投资行为中包含的其他丰富信息的问题,例如:时间动态信息、用户行为偏好等。本文将在处理序列化数据中应用广泛的RNN网络引入对用户投资行为的建模中,在投资行为预测任务中训练模型。针对用户投资行为数据集,本文对RNN网络进行了相应的调整优化。同时引入注意力机制,模型对投资行为分配不同的权重,使得模型的可解释性更好。由于上面的模型在用户投资行为建模过程仅使用了用户投资行为的序列信息,忽略了相关用户信息的重要性,只学习到了投资行为数据中蕴含的用户行为模式或用户偏好信息。本文进一步研究为LSTM神经单元添加新的门控单元引入用户信息,引入用户信息后模型在评价指标上的性能有一定的提升。注意力机制的引入可能使神经网络模型过于关注用户投资行为序列中的某些行为造成模型过于关注局部性信息而忽略了序列全局信息,使得模型学习到的信息过于偏颇不能全面真实地反映用户行为记录。本文使用并行联合训练的模型框架去解决该问题,基于原始LSTM神经元和改进后的LSTM神经元的并行联合训练模型的性能在评价指标均有提升。针对现有的Brinson业绩归因模型无法应用到个人投资者投资行为分析的问题,本文重新定义了用户投资实际收益率的计算方法,并在该基础上提出适用于个人投资者的用户业绩归因模型。基于用户业绩归因模型搭建了用户投资行为量化分析评价系统。