多任务学习选股模型的改进分析博爱高.pdf

1、本文档共17页，可阅读全部内容。
2、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。
3、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。
4、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)。

证券研究报告

金工

多任务学习选股模型的改进

研究

2024年5月06日│中国内地深度研究

人工智能78：从预测目标、网络结构、组合优化角度改进多任务学习

本文从预测目标、网络结构、组合优化角度探讨多任务学习选股模型的改进。

在多期限收益预测基础上，引入夏普比率作为预测目标；参考腾讯2020年

发表的PLE模型，在GRU内部引入多层专家和门控网络；采用多周期优化

多任务学习中证1000增强累计超额

融合不同期限收益预测。结果表明，改进模型相比基线均有提升，引入PLE

总体优于引入夏普比率，PLE结合多周期优化模型在指数增强组合的超额多任务学习+PLE+多周期优化模型超额收益最大回撤（右轴）

单任务学习基线模型超额收益最大回撤（右轴）

收益上优于大部分对照模型。回测期2016-12-30至2024-04-30内，周单多任务学习+PLE+多周期优化模型累计超额收益

单任务学习基线模型累计超额收益

边换手20%条件下，中证500增强组合年化超额收益18.1%，信息比率3.05，600%0%

中证1000增强组合年化超额收益28.7%，信息比率4.24。500%-2%

400%

-4%

改进方向之一：引入夏普比率，预测目标考虑风险信息300%

-6%

本研究的多任务学习基线模型架构为：针对日K线和周K线，分别采用多200%

-8%

任务GRU网络，同时预测未来10日和20日收益率，预测值求均值视作单100%

因子；针对分钟K线，人工构建50个因子，采用最大化10日ICIR法合成；0%00000000-10%

33333333

该用户很懒，什么也没介绍

咨询Ta 进入空间

更多 >