20180802-华泰证券-华泰证券人工智能系列之十三：人工智能选股之损失函数的改进.pdfVIP

证券研究报告 金工研究/深度研究 2018 年08 月02 日 林晓明 执业证书编号：S0570516010001 人工智能选股之损失函数的改进 研究员 0755 linxiaoming@ 华泰人工智能系列之十三 陈烨 010 联系人 chenye@ 本文创新性地提出了两种对数损失函数改进方案，取得了更好的回测效果 损失函数在机器学习模型的训练过程中决定了模型的优化方向，具有重要 李子钰 联系人 liziyu@ 的地位。对数损失函数是机器学习中最常用的二分类模型损失函数，它的 形式可以被分解为两项，分别代表二分类的假阳性误差和假阴性误差，普 通对数损失函数中，两类误差的权重是相等的。本文针对对数损失函数的 相关研究 形式，结合机器学习在多因子选股中的应用，提出了两种改进方案，分别 解决不同目标下的机器学习选股问题。两种改进方案相比普通对数损失函 1《金工: 人工智能选股之特征选择》2018.07 数都取得了更好的回测结果。 2 《金工: 养老目标驱动的多期博弈均衡模 型》2018.06 改进方案1：加权损失函数更加适合样本不均衡的分类问题 3 《金工: 因子收益率的周期性研究初探》 针对分类模型中两类样本不均衡的问题，我们引入了加权损失函数，该损 2018.06 失函数能增大数量较少一类样本的损失项权重。接下来，我们在全A 股票 池内构建不均衡的训练集样本进行测试。总体来看，在保持其他条件相同 的情况下，使用加权损失函数的模型在年化超额收益率、信息比率、Calmar 比率以及召回率表现更好，但是在超额收益最大回撤方面没有明显优势。 说明对于不平衡样本，加权损失函数对于未来表现较好的股票预测能力更 好。对比行业中性选股和个股等权选股两种方式，行业中性选股情况下使 用加权损失函数的模型优势更加稳定。 改进方案2 ：广义损失函数能降低机器学习模型的换手率 广义损失函数的核心思想是新增一项损失项并赋予权重λ，使得模型能够 在优化原始问题的同时控制预测值与另外一个目标序列的差异。本文将广 义损失函数用于控制模型换手率，构建了相对于中证500 行业市值中性的 全A 选股策略。回测显示，随着λ的增大，模型的换手率呈现单调下降的 趋势。在所有模型中，λ取 0.1 时模型的年化超额收益率、夏普比率以及 RankIC 值最高，月均双边换手率下降了8.21%，说明恰当地使用广义损失 函数不仅能降低换手率，还能一定程度上防止过拟合。但是当λ逐渐增大 后，模型的年化超额收益率和夏普比率变差，说明模型的预测能力下降。 本文给出了改进损失函数的推导过程和Python 实现代码 在本文的测试中，我们统一选用XGBoost 分类模型进行测试，在XGBoost 提供的自定义损失函数接口上改进损失函数。XGBoost 是目前最先进的