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.pdf

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。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，它通過模擬人腦神經(jīng)網(wǎng)絡(luò)的復(fù)雜結(jié)構(gòu)，讓 機(jī)器能從海量數(shù)據(jù)中自動(dòng)學(xué)習(xí)和提取高層次的規(guī)律特征。金融時(shí)間序列，尤 其是股票市場(chǎng)數(shù)據(jù)，以其高噪聲、非平穩(wěn)、非線性的復(fù)雜特性而著稱，這恰 好對(duì)傳統(tǒng)量化模型的預(yù)測(cè)能力構(gòu)成了嚴(yán)峻挑戰(zhàn)。深度學(xué)習(xí)憑借深層神經(jīng)網(wǎng) 絡(luò)對(duì)高噪聲、非平穩(wěn)、非線性金融時(shí)序數(shù)據(jù)的強(qiáng)大擬合能力，實(shí)現(xiàn)了從海量 原始數(shù)據(jù)中進(jìn)行端到端的特征提取與模式識(shí)別，為超越傳統(tǒng)策略的績(jī)效邊 界提供了可能。

傳統(tǒng)量化將 Rank IC 作為因子的主要評(píng)價(jià)指標(biāo)。在量化選股中，最終的決 策是橫截面上的排序，而非對(duì)個(gè)股收益的精確預(yù)測(cè)。傳統(tǒng)的 MSE 或交叉熵 損失是代理?yè)p失，它們優(yōu)化了一個(gè)與最終排序目標(biāo)并不完全一致的中介目 標(biāo)。直接使用 Rank IC（即 Spearman 相關(guān)系數(shù)）作為損失函數(shù)，遵循了決 策一致性原則，使模型的優(yōu)化方向與我們的投資目標(biāo)直接對(duì)齊，從而避免了 代理?yè)p失可能帶來(lái)的目標(biāo)偏離。然而，在 TensorFlow 框架中，構(gòu)建損失函 數(shù)時(shí)，Spearman 相關(guān)系數(shù)由于其中排序函數(shù)不可導(dǎo)，實(shí)現(xiàn)起來(lái)較為困難。

為實(shí)現(xiàn)以 Rank IC 為損失函數(shù)的深度學(xué)習(xí)訓(xùn)練，本文提出了一種直接以 Spearman 相關(guān)系數(shù)為損失函數(shù)配合按交易日切割 mini-batch 的端到端訓(xùn) 練范式。第一章提出了以交易日為單位的批數(shù)據(jù)切割方法，介紹了 TensorFlow 框 架下的 迭代 邏輯 以及后 續(xù)會(huì) 用到 的關(guān) 鍵組件 ，包 括 TensorFlow 訓(xùn)練循環(huán)邏輯以及代碼、小批量梯度下降、大規(guī)模數(shù)據(jù)集專用 存儲(chǔ)格式 TFRecord、以交易日切割股票批數(shù)據(jù)集的合理性、以及數(shù)據(jù)洗牌 Reshuffle。第二章介紹了基于 Sigmoid 的軟排序（Sigmoid Ranking）與神 經(jīng)排序（Neural Sort）兩種可微排序法，作為構(gòu)建 Rank IC 損失函數(shù)的關(guān) 鍵組件。

基于以上邏輯基礎(chǔ)與理論基礎(chǔ)，本文第三章提出了一個(gè)用于優(yōu)化線性組合 的深度網(wǎng)絡(luò)結(jié)構(gòu)，基于方正金工團(tuán)隊(duì)前期研究所構(gòu)建的特色高頻量?jī)r(jià)因子 進(jìn)行因子聚合。訓(xùn)練結(jié)果在 20 日收益率的測(cè)度下取得了 12.48%的 Rank IC 與 5.41 的 Rank ICIR，驗(yàn)證了本方法在提升現(xiàn)有模型性能方面的實(shí)用價(jià)值。