深度学习系列之一：在线学习增强选股模型的适应性.pdf

深度学习系列之一：在线学习增强选股模型的适应性。

在线学习让模型适应不断变化的市场环境

深度学习量化选股模型通常从历史数据中挖掘规律并进行学习。然而，由 于金融市场的动态变化，影响资产价格的底层规律会随时间发生改变。在 市场风格发生切换时，模型往往会出现回撤，且可能难以快速修复。训练 集与测试集的这种分布差异称之为分布漂移或概念漂移。相比于传统的全 样本一次性训练的方式，在线学习下，模型会随着新数据的到来进行持续 的更新，从而及时捕捉市场环境的最新变化。

在线学习面临两个关键性挑战：灾难性遗忘，信息延迟

灾难性遗忘问题，即模型在适应新数据时过拟合，导致对历史模式的学习 被遗忘；信息延迟问题，由于预测窗口的存在，用于训练的最新数据与实 际测试数据之间存在时间差，这可能会引入新的分布漂移。针对灾难性遗 忘问题，通常的应对方式包括关键参数冻结、小学习率更新、经验回放机 制等。目的是尽可能多的保留训练集中的关键知识，在此基础上进行温故 知新。对于信息延迟问题，我们通过引入适配器进行缓解。

在线学习过程中，适配器的加入显著提升了模型表现

在深度学习模型上加入适配器，适配器通过学习分布漂移的表示并将其映 射为对模型参数的调整，换言之，适配器基于新训练样本与测试样本之间 的分布漂移产生一小组适应系数以重新缩放模型参数，从而降低分布漂移 带来的负面影响。离线训练阶段，基础模型与适配器作为整体被更新，使 得适配器具备基于分布漂移的方向与大小而调整模型的能力。在线学习阶 段，微调与预测循环进行，此时适配器不再更新，主要负责预测时的参数 调整。

模型生成因子表现优异

训练采取年度离线训练，年内在线学习的方式进行。在 2018 年初至 2025 年底的回测区间内，以 10 日中性化收益率为标签的模型 Proceed-10 周度 Rank IC: 12.05%，ICIR: 1.09，十分组多头年化收益 34.81%；以 5 日中性化 收益率为标签的模型 Proceed-5 周度 Rank IC: 11.02%，ICIR: 1.14，十分组 多头年化收益 34.93%。另外消融实验结果表明，适配器有效地缓解了在线 学习中信息延迟带来的负面影响，去除适配器后，两种训练标签对应的模 型表现均出现了一定程度的下降，其中，长预测窗口对应的模型表现下降 更为显著，原因是长预测窗口可能引入更多的信息延迟。在完全去除在线 学习框架后，模型表现进一步下降，这表明在线学习框架能够带来更好的 市场环境适应性，并提升整体表现。