>> 華泰證券-金工深度研究-量化如何追求模糊的正確：有序回歸-221011
| 上傳日期： |
2022/10/12 |
大小： |
1481KB |
| 格式： |
pdf 共24頁 |
來源： |
華泰證券 |
| 評級： |
-- |
作者： |
林曉明,何康,李子鈺 |
| 下載權(quán)限： |
此報告為加密報告 |
|
|
人工智能系列之60：有序回歸損失函數(shù)應(yīng)用于選股
本研究介紹有序回歸原理，測試該方法在周頻中證500指增模型中的表現(xiàn)，結(jié)果表明有序回歸損失函數(shù)整體優(yōu)于傳統(tǒng)mse損失函數(shù)。分類會損失順序和距離信息；回歸可能欠缺實(shí)際投資含義，并且對異常值敏感；有序回歸將分類和回歸特點(diǎn)結(jié)合，追求“模糊的正確”。選股測試中，以全連接神經(jīng)網(wǎng)絡(luò)或殘差圖注意力網(wǎng)絡(luò)為基模型，logistic有序回歸可以提升模型Rank IC和多空收益；將加權(quán)mse和有序回歸預(yù)測結(jié)果集成，集成后年化超額收益、信息比率顯著提升。
分類和回歸的缺陷
分類和回歸是兩類常見的機(jī)器學(xué)習(xí)任務(wù)。選股場景中，既可設(shè)計為預(yù)測“漲”“跌”的分類問題，也可設(shè)計為預(yù)測收益率的回歸問題。然而這兩種任務(wù)類型各有缺陷。分類問題將預(yù)測目標(biāo)由連續(xù)、稠密的收益率簡化為離散、稀疏的類別，損失原始數(shù)據(jù)中的順序和距離信息?；貧w問題的預(yù)測可能欠缺實(shí)際投資含義，如預(yù)測誤差小但方向判斷錯誤。另外，回歸問題對異常值敏感?；貧w追求對目標(biāo)的精確擬合，但金融數(shù)據(jù)信噪比低，有時“精確的錯誤”反而不如“模糊的正確”。
有序回歸將分類和回歸特點(diǎn)結(jié)合，追求“模糊的正確”
有序回歸對分類損失函數(shù)加以改造，將分類和回歸的特點(diǎn)結(jié)合，使得模型在保留信息同時，兼顧實(shí)際投資含義，追求“模糊的正確”。有序回歸可基于二分類推導(dǎo)，將K分類問題轉(zhuǎn)換為K-1個二分類問題，對這K-1個二分類損失函數(shù)求和，得到K分類有序回歸損失函數(shù)。常用的二分類損失函數(shù)如logistic、exponential、hinge損失都可以改造成有序回歸形式。
有序回歸損失函數(shù)相比基線加權(quán)mse在Rank IC等指標(biāo)上有提升
在周頻中證500指增模型中，測試有序回歸損失函數(shù)超額收益表現(xiàn)，以加權(quán)mse損失函數(shù)為基線。當(dāng)基模型為全連接神經(jīng)網(wǎng)絡(luò)，logistic有序回歸損失函數(shù)可以提升模型Rank IC、多空收益、年化超額收益和信息比率。當(dāng)基模型為殘差圖注意力網(wǎng)絡(luò)，logistic有序回歸損失函數(shù)可以提升模型Rank IC和多空收益，但指增組合表現(xiàn)無顯著改善。將wmse和有序回歸預(yù)測結(jié)果進(jìn)行集成，集成模型的年化超額收益、信息比率相比基線顯著提升。
參數(shù)敏感性測試：損失函數(shù)、加權(quán)方式、分類數(shù)量、模型集成方式
考察損失函數(shù)、加權(quán)方式、分類數(shù)量、模型集成方式對模型表現(xiàn)的影響。Logistic損失總體優(yōu)于exponential和hinge損失；對截面收益高的股票賦予更高權(quán)重，樣本加權(quán)、類別加權(quán)和樣本-類別加權(quán)差異不大；對于全A股總市值和流動性前60%股票池，分類數(shù)量為10時效果較好；預(yù)測值集成方法將子模型的預(yù)測值求均值再進(jìn)行組合優(yōu)化，效果總體優(yōu)于子模型組合等權(quán)配置季度再平衡的組合集成方法。
風(fēng)險提示：人工智能挖掘市場規(guī)律是對歷史的總結(jié)，市場規(guī)律在未來可能失效。人工智能技術(shù)存在過擬合風(fēng)險。深度學(xué)習(xí)模型受隨機(jī)數(shù)影響較大，本文未進(jìn)行隨機(jī)數(shù)敏感性測試。本文測試的選股模型調(diào)倉頻率較高，假定以vwap價格成交，忽略其他交易層面因素影響。
|
|
