本报告提出并实现了以可微化的Spearman(Rank IC)为损失函数的端到端深度学习选股框架:通过按交易日切割mini-batch、采用Sigmoid软排序与NeuralSort两类可微排序算子,将排序指标转化为可微损失并在TensorFlow中训练;以47个特色量价因子为输入、结合残差式LSTM+线性侧结构进行因子聚合,样本外(2022-2025/10)得到12.48% Rank IC 与5.41 Rank ICIR,alpha多空年化42.97%、信息比率3.19,验证了以RankIC为目标优化在提升选股排序能力与组合表现上的效果
| 因子名称 | RankIC | RankICIR | 多空年化收益率 | 多空年化波动率 | 多空信息比率 | 月度胜率 | 多空最大回撤 |
|---|---|---|---|---|---|---|---|
| alpha (RankIC损失) | 12.48% | 5.41 | 42.97% | 13.48% | 3.19 | 82.61% | -10.90% |
| MSE对照组 | 10.69% | 5.28 | 37.38% | 12.47% | 3.00 | 80.43% | -11.39% |
| 等权对照组 | 11.46% | 4.08 | 25.69% | 14.75% | 1.74 | 58.70% | -14.72% |
报告元数据与概览
逐节深度解读
TensorFlow/Keras的自定义训练步骤(train_step)与tf.GradientTape用于记录前向运算并计算梯度以执行反向传播,报告通过代码片段说明了在自定义训练循环中对每个mini-batch进行预测、计算损失、求梯度并用优化器更新参数的标准流程(见图像示例)。
(图注:tf.keras.Model.train_step 示例代码)
自定义训练循环示例与训练循环示意图展示了epoch与batch嵌套、tape上下文、梯度应用与metrics更新的流程,这支持作者在后续实现自定义RankIC损失与特殊数据管线的可行性;报告强调在fit不够灵活时采用自定义循环的必要性以便插入可微排序和按日切割逻辑。
(图注:自定义训练循环代码样例)
(图注:训练循环示意图)
关于mini-batch与Batch Size选择,报告讨论了大Batch对计算效率与稳定性的利弊以及小Batch在泛化方面的优势,并给出Mini-Batch作为工程折衷的理论与实践理由,进而论证以交易日为单位切batch的合理性以逼近批内独立同分布假设的近似条件。,
数据存储与管线:作者采用TFRecord二进制格式与tf.data API以提高大规模训练的数据I/O效率,并展示了序列化/反序列化代码样例以说明如何将(因子图片,目标,股票代码,日期)等封装进TFRecord并在训练时解析。报告指出TFRecord能减少主机内存与显存压力,提升训练流水线吞吐量。,
(图注:编码序列化样例)
(图注:解码样例)
图表与图像逐一解读(逐图分析)
图:train_step 代码截图(页2)——描述:展示了tf.keras.Model.train_step的典型实现流程;解读:强调TensorFlow自动微分与GradientTape在自定义训练循环中用于记录前向运算并随后计算梯度的关键作用,支撑可微RankIC在梯度框架下的实现路径;局限:示例为单batch单步,实际按日批需与tf.data以及TFRecord配合实现高并发I/O与shuffle。
图:自定义训练循环代码与训练循环示意图(页3)——描述:代码展示epoch/batch嵌套、tape梯度计算与optimizer应用;示意图画出每个batch在GradientTape上下文内完成预测→损失→梯度→optimizer更新的闭环。解读:该图说明在每个交易日批次上可以插入可微排序损失并在梯度上进行端到端更新;局限:示意图为抽象流程,未给出并行/分布式训练与大样本buffer的工程细节,实际I/O瓶颈需靠TFRecord与prefetch缓解。
图:TFRecord编码/解码样例(页5)——描述:展示如何将x,y,symbol,date序列化到tf.train.Example并在tf.data中解析回张量;解读:说明作者已实现端到端的数据序列化与解码以确保训练I/O高效且可复现;局限:代码示例未展示数据压缩、分片策略及跨磁盘并行读取等分布式训练场景下的细节。
图:Sigmoid软排序与Neural Sort 公式与代码(页8-10)——描述:报告给出指示函数的sigmoid近似公式与Neural Sort的软排列矩阵表达并在TensorFlow中提供实现函数sigmoid_rank与neural_rank;解读:两者分别代表从pairwise概率近似与从排列矩阵松弛两条可微化路径,Neural Sort在数学上更系统且生成“排列矩阵”这一通用表示,可用于任意依赖排名的下游任务;局限:pairwise方法复杂度为O(n^2),Neural Sort也需处理n×n矩阵的计算与内存开销,在标的数量较大时需评估计算成本与数值稳定性,同时τ需调参以在稳定性与逼近精度间权衡。,,
,,
图:网络结构示意(页11)——描述:展示LSTM侧与线性侧并行并按sigmoid(α)加权合成的残差式架构;解读:该结构将“等权线性先验”与“时序非线性学习”结合,使训练可在保持既有因子信号的同时学习时序附加信息;局限:该合成策略的权重由单一α参数控制,可能限制更加细粒度的因子权重自适应分配,且初始α赋值(2.2)带有经验性,需要敏感性测试以评估对结果的依赖程度。
图:学习率对比曲线(页12)——描述:不同lr(0.01、0.001、0.0001、0.00001)对应训练损失的迭代轨迹;解读:较大的lr在早期下降更快但噪声更大,较小lr更平滑,作者据此选择了lr=1e-4并建议使用学习率调度策略以兼顾快速收敛与最终精细化;局限:图只展示训练损失(而非验证损失或IC),无法直接观察过拟合/泛化现象,需要在验证集上同步评估。
估值/绩效结果与图表解读(第3章结果)
主要数值成果:在20日收益率目标下,作者的alpha在样本外(2022–2025年10月)取得Rank IC = 12.48% 与Rank ICIR = 5.41,alpha多空年化收益42.97%、年化波动13.48%、信息比率3.19、月胜率82.61%、最大回撤10.90%;等权对照组对应Rank IC=11.46%、ICIR=4.08、多空年化收益25.69%等,MSE对照组处于二者之间或在某些指标上接近但总体不及alpha(详见表格)。这些核心绩效数字支撑作者的结论:以可微Rank IC为损失并按日切分批次能提升排序能力并带来更好的组合回测表现。
(报告内给出表格与多张累积RankIC与净值曲线以直观比较三组的长期表现),
(图注:20日收益率测度下累计RankIC,alpha为红色领先者)
(图注:多空组合净值走势对比)
分层/十组表现:alpha在分层(十分组)测试中表现为头部与尾部分离能力增强,第一层与第十层分化更明显;报告还以沪深300/中证500/中证1000等不同选股域检验alpha表现,指出相对于等权组合,alpha提升主要体现在指数外小盘股上,这与损失函数未引入市值加权有关,作者建议后续引入市值加权的Rank IC损失以改善指数内表现。(详见第14-17页分层与选股域统计表与净值图),
(图注:alpha各分层及多空净值走势)
(图注:等权对照组分层净值)
网络分解分析:作者将网络拆分为线性侧与非线性(LSTM)侧并分别回测,结果显示线性侧Rank IC=12.42%、ICIR=4.22、多空年化收益28.62%;而非线性侧Rank IC较低但在多空组合胜率和信息比率上表现优异(多空年化收益34.54%、信息比率3.16、月胜率89.13%);合并后alpha在多数指标上优于等权对照组,且最终训练得到的平均权重分配为非线性侧约27.29%、线性侧约72.71%,显示两侧互补作用。
(图注:网络两侧示意)
(图注:两侧网络累计RankIC对比)
累积滚动训练实验:将训练推广为逐年滚动累积样本(年末回溯至2018并重新训练)后得到的“累积滚动训练”版本在Rank IC上进一步提升至12.85%,但Rank ICIR与多空组合数据较固定训练结果(alpha)稍弱,作者认为这是因为后续加入更多小盘风格数据增加了解释度但也带来了波动(见第17页相关表与图)。,
(图注:累积滚动训练累计RankIC对比)
风险因素评估(报告识别与补充评估)
批判性视角与细微之处
结论性综合(要点回顾)
总体评价(客观总结)
(注)本文中对报告图表的引用均标注了对应页码,且已在正文中嵌入报告图像的相对路径以便对照核验。
【方正金工】基于可微RankIC损失函数的深度学习选股策略——机器学习选股系列研究之一.pdf