>> 華泰證券-金工深度研究：多任務(wù)學(xué)習(xí)選股模型的改進(jìn)-240506
| 上傳日期： |
2024/5/6 |
大?。?/td>
| 1951KB |
| 格式： |
pdf 共20頁 |
來源： |
華泰證券 |
| 評級： |
-- |
作者： |
林曉明,何康 |
| 下載權(quán)限： |
此報告為加密報告 |
|
|
人工智能78：從預(yù)測目標(biāo)、網(wǎng)絡(luò)結(jié)構(gòu)、組合優(yōu)化角度改進(jìn)多任務(wù)學(xué)習(xí)
本文從預(yù)測目標(biāo)、網(wǎng)絡(luò)結(jié)構(gòu)、組合優(yōu)化角度探討多任務(wù)學(xué)習(xí)選股模型的改進(jìn)。在多期限收益預(yù)測基礎(chǔ)上，引入夏普比率作為預(yù)測目標(biāo)；參考騰訊2020年發(fā)表的PLE模型，在GRU內(nèi)部引入多層專家和門控網(wǎng)絡(luò)；采用多周期優(yōu)化融合不同期限收益預(yù)測。結(jié)果表明，改進(jìn)模型相比基線均有提升，引入PLE總體優(yōu)于引入夏普比率，PLE結(jié)合多周期優(yōu)化模型在指數(shù)增強(qiáng)組合的超額收益上優(yōu)于大部分對照模型。回測期2016-12-30至2024-04-30內(nèi)，周單邊換手20%條件下，中證500增強(qiáng)組合年化超額收益18.1%，信息比率3.05，中證1000增強(qiáng)組合年化超額收益28.7%，信息比率4.24。
改進(jìn)方向之一：引入夏普比率，預(yù)測目標(biāo)考慮風(fēng)險信息
本研究的多任務(wù)學(xué)習(xí)基線模型架構(gòu)為：針對日K線和周K線，分別采用多任務(wù)GRU網(wǎng)絡(luò)，同時預(yù)測未來10日和20日收益率，預(yù)測值求均值視作單因子；針對分鐘K線，人工構(gòu)建50個因子，采用最大化10日ICIR法合成；最后將日K線、周K線和分鐘K線因子等權(quán)合成?；€模型的預(yù)測目標(biāo)僅考慮收益，未考慮風(fēng)險。改進(jìn)方向之一采用包含收益和風(fēng)險信息的夏普比率作為目標(biāo)，在10日和20日收益預(yù)測基礎(chǔ)上，引入20日夏普比率預(yù)測任務(wù)。
改進(jìn)方向之二：引入PLE架構(gòu)，采用多層專家和門控網(wǎng)絡(luò)提升表征能力
騰訊PCG團(tuán)隊2020年提出PLE（Progressive Layered Extraction）架構(gòu)，采用多層專家和門控網(wǎng)絡(luò)設(shè)計，提升特征表征能力。改進(jìn)方向之二將PLE引入基線模型的雙層GRU網(wǎng)絡(luò)。其中，第一層的任務(wù)共享專家網(wǎng)絡(luò)和任務(wù)特定專家網(wǎng)絡(luò)接受相同的原始K線輸入信息，采用單層GRU提取淺層特征表征后，通過第一層門控單元進(jìn)行融合；第二層的任務(wù)共享專家網(wǎng)絡(luò)和任務(wù)特定專家網(wǎng)絡(luò)接受特異的輸入信息，采用單層GRU提取深層特征表征后，通過第二層門控單元進(jìn)行融合。門控單元均采用單層GRU網(wǎng)絡(luò)與Softmax激活。后續(xù)的任務(wù)特異層與基線模型一致。
改進(jìn)方向之三：引入多周期優(yōu)化，最大化多期收益并限制遠(yuǎn)期換手
多任務(wù)學(xué)習(xí)同時預(yù)測不同期限收益率，基線模型直接求均值作為最終預(yù)測，缺點是投資意義不明確。改進(jìn)方向之三采用多周期優(yōu)化技術(shù)，將10日和20日收益預(yù)測同時輸入組合優(yōu)化器。單周期優(yōu)化中，每期組合優(yōu)化的目標(biāo)函數(shù)為最大化預(yù)期收益。多周期優(yōu)化中，目標(biāo)函數(shù)除了最大化預(yù)期收益項外，還加入了換手率懲罰項。在最大化組合短期收益和長期收益的同時，限制組合當(dāng)期換手以及下期可能的換手。
測試結(jié)果：三項改進(jìn)均有效，PLE+多周期優(yōu)化模型表現(xiàn)出色
測試結(jié)果表明，三項改進(jìn)相比基線均有提升。從GRU單因子看，引入夏普比率和引入PLE均優(yōu)于對應(yīng)的基線。從指數(shù)增強(qiáng)組合看，引入PLE總體優(yōu)于引入夏普比率。將“多任務(wù)學(xué)習(xí)+PLE取10日預(yù)測”與“多任務(wù)學(xué)習(xí)+PLE取20日預(yù)測”的預(yù)測值作為多周期優(yōu)化的輸入變量，構(gòu)建中證500和中證1000指數(shù)增強(qiáng)組合，超額收益優(yōu)于大部分對照模型，同時在回撤控制上體現(xiàn)出優(yōu)勢?；販y期2016-12-30至2024-04-30內(nèi)，周單邊換手20%條件下，中證500增強(qiáng)年化超額收益18.1%，信息比率3.05，Calmar比率3.22；中證1000增強(qiáng)年化超額收益28.7%，信息比率4.24，Calmar比率6.93。
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。
|
|
