>> 方正證券-專題報告-再探可微RankIC的損失函數(shù)改造：基于分域加權(quán)與時序平滑正則的實證研究——機(jī)器學(xué)習(xí)選股系列研究之三-260609
| 上傳日期： |
2026/6/9 |
大?。?/td>
| 2702KB |
| 格式： |
pdf 共22頁 |
來源： |
方正證券 |
| 評級： |
-- |
作者： |
曹春曉 |
| 下載權(quán)限： |
此報告為加密報告，僅限高級會員查看 |
|
|
在前序報告《基于可微RankIC損失函數(shù)的深度學(xué)習(xí)選股策略——機(jī)器學(xué)習(xí)選股系列研究之一》中，我們采用sigmoid與Neural Sort兩種可微排序方法實現(xiàn)了RankIC的可微分改造，并直接將其作為損失函數(shù)用于模型優(yōu)化，此外，為優(yōu)化既有模型，我們構(gòu)建了一個雙分支殘差學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)，使模型在優(yōu)化可微RankIC的過程中，始終能以已知有效的線性組合為基座進(jìn)行增量學(xué)習(xí)，初步驗證了直接優(yōu)化排序質(zhì)量在量化選股中的可行性。
本期報告作為該篇研究的延續(xù)，我們對可微RankIC損失函數(shù)做了兩個方向的改進(jìn)：
第一，引入分域加權(quán)機(jī)制。前序研究中，模型優(yōu)化目標(biāo)基于全市場樣本等權(quán)計算可微RankIC，由于小微盤股票在數(shù)量上占優(yōu)，模型傾向于學(xué)習(xí)多數(shù)類特征，導(dǎo)致alpha呈現(xiàn)小盤偏好。為此，我們將損失函數(shù)改造為分域加權(quán)形式，按中證800內(nèi)、中證1000內(nèi)及其他小微盤三域分別計算可微RankIC并加權(quán)求和，權(quán)重設(shè)計顯式對齊指數(shù)增強(qiáng)產(chǎn)品的組合優(yōu)化約束，使得因子在訓(xùn)練階段即內(nèi)嵌了組合層面的約束偏好，進(jìn)而提高了指數(shù)增強(qiáng)產(chǎn)品表現(xiàn)。
第二，引入時序平滑正則。常規(guī)的損失函數(shù)往往以截面擬合精度為直接優(yōu)化對象，未將交易成本納入考量。當(dāng)高換手alpha帶來的邊際提升更大時，模型將傾向于擬合這類信號，然而實際落地中換手成本會顯著侵蝕其凈收益。為此，我們將換手率懲罰作為正則項引入損失函數(shù)，在降低組合換手率的同時引導(dǎo)模型注意力從反轉(zhuǎn)型alpha轉(zhuǎn)向動量型alpha，提升了指數(shù)增強(qiáng)產(chǎn)品表現(xiàn)以及因子在基準(zhǔn)指數(shù)內(nèi)的解釋度。
此外，在模型結(jié)構(gòu)層面，我們借鑒HipreNets的漸進(jìn)式訓(xùn)練范式，對前序研究的殘差網(wǎng)絡(luò)進(jìn)行了重構(gòu)：摒棄一次性用大型網(wǎng)絡(luò)擬合全部目標(biāo)的訓(xùn)練策略，改為逐階段訓(xùn)練小型子網(wǎng)絡(luò)，每個子網(wǎng)絡(luò)僅擬合前一階段輸出的殘差，最終通過各階段輸出的累加得到預(yù)測結(jié)果。
綜合來看，訓(xùn)練實證表明，分域加權(quán)與時序平滑正則兩項改造均切實提升了模型在指數(shù)成份內(nèi)的表現(xiàn)，但實現(xiàn)路徑各不相同：前者通過域內(nèi)權(quán)重約束將模型注意力從小微盤拉回指數(shù)內(nèi)部，后者通過壓低換手并引導(dǎo)模型聚焦動量型alpha。兩項改造相互獨(dú)立，均可單獨(dú)作用于損失函數(shù)并帶來策略凈表現(xiàn)的改善，為可微RankIC損失函數(shù)的落地應(yīng)用提供了多元化的改進(jìn)方向。
風(fēng)險提示：
本報告基于歷史數(shù)據(jù)分析，歷史規(guī)律未來可能存在失效的風(fēng)險；市場可能發(fā)生超預(yù)期變化；各驅(qū)動因子受環(huán)境影響可能存在階段性失效的風(fēng)險。
|
|
