金工深度研究：与时偕行，AI模型如何应对数据漂移.pdf

金工深度研究：与时偕行，AI模型如何应对数据漂移。

人工智能 86：与时偕行：AI 模型如何应对数据漂移？

金融数据分布在时序上的非平稳性对 AI 量化模型是关键性挑战，有效应对 数据漂移或可提升 AI 模型的表现。本研究由两部分构成，第一部分针对时 序预测问题中数据漂移的应对方法进行调研和综述；第二部分基于 AI 量化 模型应对市场变化的代表性研究进行多方面改进和实证。结果表明，针对特 征提取模块结构、门控机制等改进均有效。将传统 AI 量价因子与市场特征 门控因子合成，基于其构建的中证 1000 指数增强组合 2016-12-30 至 2025-01-27 年化超额收益 25.6%，信息比率 3.24，业绩表现提升显著。

应对数据漂移的三个视角：数据分布、模型结构、训练模式

本研究针对 AI 时序预测模型应对数据漂移的方法进行调研和综述。近年来 发表于 AI 顶级会议及期刊的 14 篇相关研究主要通过三类方法应对数据漂 移：其一，通过在模型训练前或训练过程中对非平稳的时间序列数据进行动 态调整，化波动为稳定；其二，改进神经网络结构以动态检测和适应数据分 布漂移；其三，利用在线学习、元学习、动态模型集成等方式提升模型迭代 速度。量化领域相关研究中，Li 等（2024）的研究从模型结构出发，做出 了两项改进：其一，将市场特征通过门控机制输入神经网络，其二，通过三 层注意力机制交叉提取股票时序和截面上的信息，具有较高参考价值。

实验结果：市场特征门控机制、特征提取模型结构等改进均有效

本研究对市场特征门控模块、注意力特征提取模块在不同特征集上进行多项 对比实验。针对市场特征门控模块的实验结果表明，加入市场特征门控模块 后因子评价指标及组合业绩均有提升，注意力机制门控表现更优，相比无门 控模型中证 1000 指增组合 2016-12-30 至 2025-01-27 区间年化超额收益最 高可提升 4 pct；针对特征提取模块的实验结果表明，三层注意力特征提取 模块相比传统 GRU 更具优势，三组特征集上预测因子 RankIC 均值平均可 提升 0.8 pct。因子相关性测试结果表明，加入门控、修改特征提取模块后 因子与改进前因子及传统端到端 AI 量价因子间相关性均较低。

市场特征门控合成因子表现提升显著

本研究最后基于改进因子尝试进行因子合成并构建指数增强组合。最终综合 因子由 9 个因子等权合成，分别为 3 个不同频率的端到端 AI 量价因子以及 6 个基于注意力门控和不同特征集训练得到的市场特征门控因子。测试结果 表明，合成得到综合因子 RankIC 均值达到 14.5%，RankICIR 达到 1.43， 提升显著；基于该综合因子构建中证 1000 指数增强组合自 2016-12-30 至 2025-01-27 年化超额收益 25.6%，信息比率 3.29，业绩表现优异。