排序学习对GRU选股模型的增强分析报告.pdfVIP

融入注意力机制的GRU表现优异

目前神经网络主流的三类编码器RNN,CNN,Transformer在量化选股领域均表现出了较强的预测效果，如何能使各类编

码器发挥自身优势并有效结合成为学术界不断尝试的领域。我们参考DA-RNN两阶段注意力机制的设计思路，避免该

模型在实际应用中潜在的问题，将注意力机制改为特征层面的权重分配，与GRU结合后具有明显的优势，在绝大部分

指标上超越原本GRU模型。

排序学习思想与A股实证效果

我们参考了推荐系统和搜索引擎中普遍使用的排序学习思想，认为其使用场景和量化截面选股策略具有高度相似性。

探讨对比了包括ListWise和PairWise两大类排序学习损失函数，部分损失函数能借助NDCG指标提升多头组合表现，

且部分因子相较于传统MSE回归模型有一定提升效果，我们将相对有效且相关性相对较低的损失函数进行等全合成，

发现合成后的因子在各款及股票池中表现均有增强。所得因子在全A股票池中IC均值为13.82%，多头年化超额19.69%，

多头信息比率2.98。

使用多个Epoch模型参数对抗过拟合

在传统训练过程中，我们倾向于早停后只使用最好轮次的模型参数用于预测。但其面临的一个严重问题在于，训练集

和验证集所得最优结果并不一定在样本外同样最优，因此存在严重的过拟合倾向。此处我们考虑，神经网络梯度下降

至全局最优点本身应该追求“模糊的正确”，使用早停后验证集表现最优的5轮结果进行预测并取均值能有效缓解上

述情况，从而在样本外地稳健性更好。经过对比，使用此方法所得因子在各股票池中均有一定提升。

结合排序学习与多轮参数对抗过拟合方案的指数增强策略

最终，我们对上述改进所得因子构建指数增强策略。其中，沪深300指数增强策略年化超额收益达到16.60%，超额最

大回撤为3.78%。中证500指增策略年化超额收益19.20%，超额最大回撤4.25%。中证1000指增策略年化超额收益

29.81%，超额最大回撤8.04%。

风险提示

1、以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在时效的风险。

2、策略通过一定的假设通过历史数据回测得到，当交易成本提高或其他条件改变时，可能导致策略收益下降甚至出

现亏损。

1

扫码获取更多服务

金融工程专题报告

内容目录

一、超越传统GRU，融入注意力机制具有一定优势4

1.模型介绍4

2.结合注意力机制的GRU在A股中的实证结果6

二、排序学习介绍及选股效果6

1.排序学习各类算法原理介绍6

2.排序学习各类算法在A股中的实证结果8

三、利用多个Epoch结果对抗过拟合12

四、结合排序学习与多轮参数对抗过拟合方案的AGRU指数增强策略15

1.基于排序学习与多轮参数对抗过拟合的沪深300指增策略15

2.基于排序学习与多轮参数对抗过拟合的中证500指增策略17

3.基于排序学习与多轮参数对抗过拟合的中证1000指增策略18

总结19

风险提示19

图表目录

图表1：各主流编码器构造融合方向4

图表2：DA-RNN模型结构示意图4

图表3：投喂特征数据6

图表4：GRU与AGRU因子各项指标对比（全A，月度调仓，未扣费）6

图表5：GRU与AGRU因子在不同股票池中各项指标对比（月度调仓，未扣费）6

图表6：排序学习算法示意7

图表7：NDCG思想举例8

图表8：排序学习与MSE回归差异对比案例9

图表9：排序学习与MSE回归损失函数值差异对比案例9

图表10：测试损失函数列表10

图表11：不同排序学习损失函数训练因子各项指标对比（月度调仓，未扣费）10

图表12：几种损失函数多头超额净值走势（中证500，月度调仓，未扣费）11

图表13：几种损失函数多头超额净值走势（中证1000，月度调仓，未扣费）11

图表1