基于可微RankIC損失函數的深度學習選股策略——機器學習選股系列研究之一.pdf

基于可微RankIC損失函數的深度學習選股策略——機器學習選股系列研究之一。深度學習是機器學習的一個分支，它通過模擬人腦神經網絡的復雜結構，讓 機器能從海量數據中自動學習和提取高層次的規律特征。金融時間序列，尤 其是股票市場數據，以其高噪聲、非平穩、非線性的復雜特性而著稱，這恰 好對傳統量化模型的預測能力構成了嚴峻挑戰。深度學習憑借深層神經網 絡對高噪聲、非平穩、非線性金融時序數據的強大擬合能力，實現了從海量 原始數據中進行端到端的特征提取與模式識別，為超越傳統策略的績效邊 界提供了可能。

傳統量化將 Rank IC 作為因子的主要評價指標。在量化選股中，最終的決 策是橫截面上的排序，而非對個股收益的精確預測。傳統的 MSE 或交叉熵 損失是代理損失，它們優化了一個與最終排序目標并不完全一致的中介目 標。直接使用 Rank IC（即 Spearman 相關系數）作為損失函數，遵循了決 策一致性原則，使模型的優化方向與我們的投資目標直接對齊，從而避免了 代理損失可能帶來的目標偏離。然而，在 TensorFlow 框架中，構建損失函 數時，Spearman 相關系數由于其中排序函數不可導，實現起來較為困難。

為實現以 Rank IC 為損失函數的深度學習訓練，本文提出了一種直接以 Spearman 相關系數為損失函數配合按交易日切割 mini-batch 的端到端訓 練范式。第一章提出了以交易日為單位的批數據切割方法，介紹了 TensorFlow 框 架下的 迭代 邏輯 以及后 續會 用到 的關 鍵組件 ，包 括 TensorFlow 訓練循環邏輯以及代碼、小批量梯度下降、大規模數據集專用 存儲格式 TFRecord、以交易日切割股票批數據集的合理性、以及數據洗牌 Reshuffle。第二章介紹了基于 Sigmoid 的軟排序（Sigmoid Ranking）與神 經排序（Neural Sort）兩種可微排序法，作為構建 Rank IC 損失函數的關 鍵組件。

基于以上邏輯基礎與理論基礎，本文第三章提出了一個用于優化線性組合 的深度網絡結構，基于方正金工團隊前期研究所構建的特色高頻量價因子 進行因子聚合。訓練結果在 20 日收益率的測度下取得了 12.48%的 Rank IC 與 5.41 的 Rank ICIR，驗證了本方法在提升現有模型性能方面的實用價值。