再探可微RankIC的损失函数改造：基于分域加权与时序平滑正则的实证研究——机器学习选股系列研究之三.pdfVIP

仅供内部参考，请勿外传！

金融工程研究2026.06.09

专题报告

再探可微RankIC的损失函数改造：基于分域加权与时序平滑正则的实证

研究——机器学习选股系列研究之三

方正证券研究所证券研究报告

分析师

在前序报告《基于可微RankIC损失函数的深度学习选股策略——机器学习

曹春晓登记编号：S1220522030005选股系列研究之一》中，我们采用sigmoid与NeuralSort两种可微排序

方法实现了RankIC的可微分改造，并直接将其作为损失函数用于模型优化，

联系人郭樾此外，为优化既有模型，我们构建了一个双分支残差学习网络架构，使模型

在优化可微RankIC的过程中，始终能以已知有效的线性组合为基座进行增