如何追求模糊的正确，有序回归.docxVIP

下载本文档

46
0
约2.19万字
约 18页
2022-10-27 发布于北京
举报
版权申诉

如何追求模糊的正确，有序回归.docx

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

在周频中证 500 指增模型中，测试有序回归损失函数超额收益表现，以加权 mse（wmse）回归损失函数为基线，核心结论：当基模型为全连接神经网络（nn），logistic 有序回归损失函数可以提升模型 Rank IC、多空收益、年化超额收益和信息比率。当基模型为残差图注意力网络（gat_res），logistic 有序回归损失函数可以提升模型 Rank IC 和多空收益，但指增组合年化超额收益和信息比率无显著改善。 logistic 有序回归损失函数与 wmse 的日度超额收益相关系数约为 0.7~0.92。将 wmse 和有序回归预测结果进行集成，集成模型的年化超额收益、信息比率相比基线显著提升。下图展示基模型为 nn 时，有序回归集成模型和基线模型的超额收益及最大回撤。引入有序回归后，年化超额收益由 14.15%提升至 15.98%，信息比率由 2.38 提升至 2.76。图表3：有序回归超额收益表现（基模型为nn） 500% 400% 300% 200% 100% 0% -100% -200% 2011-0 2011-01-04 2011-07-04 25% ensem ensemble_prediction超额收益最大回撤（右轴） wmse超额收益最大回撤（右轴） ensemble_prediction累计超额收益 wmse累计超额收益 15% 10% 5% 0% -5% -10% 2018-01 2018-01-04 2018-07-04 2019-01-04 2019-07-04 2020-01-04 2020-07-04 2021-01-04 2021-07-04 2022-01-04 2022-07-04 2012-01-042012-07-042013-01-042013-07-042014-01-042014-07-042015-0 2012-01-04 2012-07-04 2013-01-04 2013-07-04 2014-01-04 2014-07-04 2015-01-04 2015-07-04 2016-01-04 2016-07-04 2017-01-04 2017-07-04 ：朝阳永续， Wind 下图展示基模型为 gat_res 时，有序回归集成模型和基线模型的超额收益及最大回撤。引入有序回归后，年化超额收益由 15.33%提升至 16.30%，信息比率由 2.60 提升至 2.69。图表4：有序回归超额收益表现（基模型为 gat_res） 500% 400% 300% 200% 100% 0% -100% -200% 2011-0 2011-01-04 2011-07-04 25% ensem ensemble_prediction超额收益最大回撤（右轴） wmse超额收益最大回撤（右轴） ensemble_prediction累计超额收益 wmse累计超额收益 15% 10% 5% 0% -5% -10% 2018-01 2018-01-04 2018-07-04 2019-01-04 2019-07-04 2020-01-04 2020-07-04 2021-01-04 2021-07-04 2022-01-04 2022-07-04 2012-01-042012-07-042013-01-042013-07-042014-01-042014-07-042015-0 2012-01-04 2012-07-04 2013-01-04 2013-07-04 2014-01-04 2014-07-04 2015-01-04 2015-07-04 2016-01-04 2016-07-04 2017-01-04 2017-07-04 ：朝阳永续， Wind 有序回归原理从二分类逻辑回归谈起为了理解有序回归的原理，不妨从基础的二分类逻辑回归谈起。尽管逻辑回归称为回归，其实质是一种分类算法。假设 x 是样本特征；y 是样本真实分类，正例 y＝1，反例 y＝－1； f 通常为线性模型，f(x)＝θTx。 Sigmoid 函数将 f(x)由实数域转换为[0,1]，如图表 6 所示： 1 ??(??(??))＝ 1 + ?????(??) 此时，Π(f(x))代表预测样本属于正例的概率，1-Π(f(x))代表预测样本属于反例的概率。通常分类阈值 c＝0，当 f(x)≥0 即Π(f(x))≥0.5 时，判定样本属于正例，反之属于反例。图表5：二分类逻辑回归的概率密度函数图表6：二分类逻辑回归的累积分布函数：：交叉熵（cross entropy）衡量两个概率分布 p(x)和 q(x)的差异度： ?? = ? ∑ ??(??) log ??(??) ??