基于可微RankIC损失函数的深度学习选股策略——机器学习选股系列研究之一.pdf

基于可微RankIC损失函数的深度学习选股策略——机器学习选股系列研究之一。深度学习是机器学习的一个分支，它通过模拟人脑神经网络的复杂结构，让 机器能从海量数据中自动学习和提取高层次的规律特征。金融时间序列，尤 其是股票市场数据，以其高噪声、非平稳、非线性的复杂特性而著称，这恰 好对传统量化模型的预测能力构成了严峻挑战。深度学习凭借深层神经网 络对高噪声、非平稳、非线性金融时序数据的强大拟合能力，实现了从海量 原始数据中进行端到端的特征提取与模式识别，为超越传统策略的绩效边 界提供了可能。

传统量化将 Rank IC 作为因子的主要评价指标。在量化选股中，最终的决 策是横截面上的排序，而非对个股收益的精确预测。传统的 MSE 或交叉熵 损失是代理损失，它们优化了一个与最终排序目标并不完全一致的中介目 标。直接使用 Rank IC（即 Spearman 相关系数）作为损失函数，遵循了决 策一致性原则，使模型的优化方向与我们的投资目标直接对齐，从而避免了 代理损失可能带来的目标偏离。然而，在 TensorFlow 框架中，构建损失函 数时，Spearman 相关系数由于其中排序函数不可导，实现起来较为困难。

为实现以 Rank IC 为损失函数的深度学习训练，本文提出了一种直接以 Spearman 相关系数为损失函数配合按交易日切割 mini-batch 的端到端训 练范式。第一章提出了以交易日为单位的批数据切割方法，介绍了 TensorFlow 框 架下的 迭代 逻辑 以及后 续会 用到 的关 键组件 ，包 括 TensorFlow 训练循环逻辑以及代码、小批量梯度下降、大规模数据集专用 存储格式 TFRecord、以交易日切割股票批数据集的合理性、以及数据洗牌 Reshuffle。第二章介绍了基于 Sigmoid 的软排序（Sigmoid Ranking）与神 经排序（Neural Sort）两种可微排序法，作为构建 Rank IC 损失函数的关 键组件。

基于以上逻辑基础与理论基础，本文第三章提出了一个用于优化线性组合 的深度网络结构，基于方正金工团队前期研究所构建的特色高频量价因子 进行因子聚合。训练结果在 20 日收益率的测度下取得了 12.48%的 Rank IC 与 5.41 的 Rank ICIR，验证了本方法在提升现有模型性能方面的实用价值。