基于样本加权与风格约束：对端到端模型泛化性的思考与改进-241212.pdf

证券研究报告专题报告2024年12月12日

【AI+HI系列（6）】

对端到端模型泛化性的思考与改进

——基于样本加权与风格约束

背景与目标华创证券研究所

当样本外的数据分布与样本内存在偏差时，模型预测偏差可能导致实际应用中

的高昂损失。面对近年复杂多变的市场风格，本篇报告以端到端模型的泛化性证券分析师：王小川

为出发点，旨在提高模型稳健性。基于SVE指标，我们发现端到端GRU模型

电话：021

在“未见过”的数据上表现不佳，由此展开如何降低端到端模型泛化风险的研

邮箱：wangxiaochuan@hcyj

究。

执业编号：S0360517100001

模型分析与设计

联系人：洪远

以Barra风格为切入点，主观上我们期望端到端模型能在不同市场主导风格时

期、不同风格暴露的股票上均保持稳健性。然而，模型实际结果与预期存在差邮箱：hongyuan@hcyj

异，这可能是模型平均风险最小化的训练方式所导致的“盲区”。

针对这一局限，我们在GRU基线模型基础上，提出两种改进方案：基于分组相关研究报告

样本加权的GRUDRO模型和基于风格约束的GRUCONST模型。两种方法《AI+HI系列（4）：CrossGRU：基于交叉注意

均独立于模型架构设计，具有良好的通用和灵活性。力的时序+截面的端到端模型》

2024-04-19

测试结果《AI+HI系列（5）：CrossGRU-2：基于Patch与

在中证全指因子IC、20分组测试上：多尺度时序改进端到端模型》

2024-07-04

GRUDRO模型10日RankIC达14.3；分组多头TOP组超额年化收益39.67%，

较基线GRU提升4%；超额夏普比率1.55，较基线提升0.12；2024年最大回

撤-16%，优于基线的-21%。

GRUCONST模型的10日IC最高达到为14.1；TOP组整体表现与基线持平，

在2024年9-11月区间，强/弱约束设置下，TOP组超额收益分别为4.24%、-

1.58%，较基线分别提高7.62%、1.8%。

在1000指增应用上：

两个改进模型均实现了超额年化收益和夏普比率的提升，GRUDRO模型超额

年化较基线提高1.17%，最大回撤相比基线降低2%，Calmar比率为3，优于

基线的1.99；GRUCONST模型超额年化较基线提高约1.5%，在回撤方面与

基线持平。

风险提示：

策略基于历史数据回测，不保证未来数据的有效性。深度学习模型存在过拟合

风险。深度学习模型受随机数影响。模型实现与参考文献原文存在差异。

证监会审核华创证券投资咨询业务资格批文号：证监许可（2009）1210号