Alpha掘金系列之十二：排序学习对GRU选股模型的增强.docx

内容目录

一、超越传统GRU，融入注意力机制具有一定优势 4

模型介绍 4

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

排序学习各类算法原理介绍 6

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

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

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

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14：排序学习与MSE损失函数因子相关性 11

图表15：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） 12

图表16：排序与回归结合因子多头超额净值（中证500，月度，未扣费） 12

图表17：排序与回归结合因子多头超额净值（中证1000，月度，未扣费） 12

图表18：验证集损失函数随训练轮数（Epoch）变化趋势 13

图表19：模型梯度下降示意图 13

图表20：取多轮模型参数示意图 14

图表21：单轮与5轮取均值因子在不同股票池中各项指标对比（月度调仓，未扣费） 14

图表22：单轮与5轮取均值因子多头超额净值（中证500，月度，未扣费） 15

图表23：单轮与5轮取均值因子多头超额净值（中证1000，月度，未扣费） 15

图表24：基于排序学习与多轮参数对抗过拟合的沪深300指数增强策略指标 15

图表25：基于排序学习与多轮参数对抗过拟合的沪深300指数增强策略净值曲线 16

图表26：基于排序学习与多轮参数对抗过拟合的沪深300指数增强策略分年度收益 16

图表27：基于排序学习与多轮参数对抗过拟合的沪深300指数增强策略分年度收益 16

图表28：基于排序学习与多轮参数对抗过拟合的中证500指数增强策略指标 17

图表29：基于排序学习与多轮参数对抗过拟合的中证500指数增强策略净值曲线 17

图表30：基于排序学习与多轮参数对抗过拟合的中证500指数增强策略分年度收益 17

图表31：基于排序学习与多轮参数对抗过拟合的中证500指数增强策略分年度收益 18

图表32：基于排序学习与多轮参数对抗过拟合的中证1000指数增强策略指标 18

图表33：基于排序学习与多轮参数对抗过拟合的中证1000指数增强策略净值曲线 18

图表34：基于排序学习与多轮参数对抗过拟合的中证1000指数增强策略分年度收益 19

图表35：基于排序学习与多轮参数对抗过拟合的中证1000指数增强策略分年度收益 19

一、超越传统GRU，融入注意力机制具有一定优势

模型介绍

在目前主流的神经网络选股模型中，GRU作为一种RNN的变体，通过门控机制调节长短期记忆的保留，一定程度上解决了长时间序列特征数据的学习能力。而后续推出的不同编码器方式如TCN、Transformer等也在选股领域上有不错的效果。这三类也逐渐成为当下时序预测任务中主流的编码器方案。

如何将不同编码器的优势进行融合，起到增强的效果是学界和业界一直在探讨的问题。目前能看到的两类主流融合方式为：将RNN类编码器与注意力机制进行结合，典型代表如DA-RNN（Dual-stageAttention-basedRNN），另一类为首先使用CNN进行局部特征捕捉，再结合RNN进行时序编码的方案，有多篇论文进行过相关尝试。本篇报告中，我们将重点放在前者，探讨DA-RNN模型的构建