金融工程研究分析报告：PortfolioNet，神经网络求解组合.pdfVIP

证券研究报告

金工

PortfolioNet:神经网络求解组合优化

研究

2024年10月31日│中国内地深度研究

人工智能85：基于端到端神经网络的Alpha策略组合优化

本研究提出PortfolioNet神经网络，这一网络开创性地将组合约束融入到

Alpha因子挖掘的网络结构中，通过单个神经网络完成输入、预测到组合优

化决策的全流程，一并产生“选股因子”与“投资组合权重”两项输出。该

网络在不改变因子预测模块的基础上，增加约束矩阵生成器与组合优化层，

并构造了同时优化IC与组合收益的复合损失函数。我们基于PortfolioNet

构建指数增强组合，实证结果表明，该组合在提升收益和控制回撤方面均展

PortfolioNet网络结构

现出一定优势。在回测区间2020-11-30至2024-09-30内，中证1000组合

的年化超额由7.63%提升至13.55%，信息比率由1.15提升至2.24，超额

最大回撤由8.99%降低至6.44%。

“可微”的LinSAT算法助力实现“边预测边优化”

在传统的“先预测后优化”框架下，组合优化结果对不同方向的预测误差敏

感性截然不同，在某些情况下，IC更高的因子反而会做出更差的决策。而

解决这一问题的有效思路或是“边预测边优化”，具体来说，就是寻找可微

的组合优化框架，将约束条件融入到因子挖掘的神经网络结构中。学界业界

陆续提出了LinSAT、SPO+、NCE等可微组合优化算法。经综合比较，我

们选取LinSAT作为本研究的底层算法，这一开源算法求解准确度高、运行

速度快、较为贴合金融投资场景，是行之有效的底层方法论。

资料：研究

PortfolioNet可双目标优化收益预测与组合决策

我们基于LinSAT算法构建端到端组合优化网络PortfolioNet，这一网络实PortfolioNet模型1000指增累计超额

现了由“原始数据输入”至“投资组合输出”的一站式建模。该网络在传统1.00%

GRU模型基础之上，增加了约束矩阵生成器与组合优化层，并且以IC与组0.8-5%

合收益率同时作为优化目标，引导网络向组合整体效益最大化的方向开展梯0.6-10%

度下降。该网络内的所有参数可以实现联合优化，克服了传统两阶段方法各0.4-15%

自为战、陷入局部最优的痛点。在完成训练之后的样本外决策环节，本着“精0.2-20%

益求精”的目的，可考虑将网络输出的端到端因子套用传统的外部优化器，0.0-25%