金融工程專題報(bào)告：基于知識蒸餾的AI選股模型優(yōu)化.pdf

上傳者：每日***
時(shí)間：2026/05/27
熱度：64
0人點(diǎn)贊
舉報(bào)

本文探討了將知識蒸餾技術(shù)應(yīng)用于量化選股領(lǐng)域的優(yōu)化方法，旨在解決高頻數(shù)據(jù)低信噪比導(dǎo)致的模型訓(xùn)練難題。研究選取一個(gè)在全市場具有穩(wěn)定且較強(qiáng)選股能力的成熟綜合選股模型作為Teacher，用其預(yù)測值作為蒸餾標(biāo)簽，引導(dǎo)基于不同數(shù)據(jù)集訓(xùn)練的Student模型學(xué)習(xí)成熟模型中的收益預(yù)測信息，同時(shí)保留各自數(shù)據(jù)集的差異化增量。在信號驗(yàn)證方面，研究在30分鐘K線數(shù)據(jù)集和日頻量價(jià)特征數(shù)據(jù)集上進(jìn)行了對比實(shí)驗(yàn)。結(jié)果顯示，蒸餾信號因子在多頭超額收益和5日IC均值兩個(gè)維度上均顯著優(yōu)于原始信號。例如，在30分鐘K線數(shù)據(jù)集上，蒸餾信號因子多頭超額提升至34.2%，5日IC均值提升至11.7%；在日頻量價(jià)特征數(shù)據(jù)集上，蒸餾信號多頭超額提升至32.1%，5日IC均值提升至11.1%。在模型構(gòu)建與因子集成方面，研究基于“時(shí)序LSTM+截面圖注意力”基礎(chǔ)架構(gòu)構(gòu)建Student模型，并使用5類數(shù)據(jù)集（覆蓋高頻量價(jià)、日頻量價(jià)及基本面信息）分別訓(xùn)練，得到10組蒸餾因子。通過LightGBM、Xgboost、CatBoost三類GBDT模型加權(quán)集成，得到綜合因子。該綜合因子與基準(zhǔn)綜合信號相關(guān)性約76%，與Teacher模型因子值相關(guān)性約87%，表明其既繼承了成熟模型的特征表達(dá)，又保留了增量信息。2021年以來，綜合因子5日IC均值13.0%，多頭組合年化超額收益50.0%。在指數(shù)增強(qiáng)策略方面，基于綜合蒸餾因子構(gòu)建滬深300、中證500和中證1000指數(shù)增強(qiáng)組合。2021年以來，滬深300指數(shù)增強(qiáng)組合年化超額收益12.8%，信息比2.88；中證500指數(shù)增強(qiáng)組合年化超額收益15.8%，信息比2.99；中證1000指數(shù)增強(qiáng)組合年化超額收益20.1%，信息比3.72。研究結(jié)果表明，知識蒸餾技術(shù)能有效提升AI選股模型的性能，為量化投資提供了新的優(yōu)化路徑。