本报告基于改进GRU模型结合排序学习损失函数,提升量化选股能力,采用多轮参数均值策略有效防止过拟合。最终构建沪深300、中证500和中证1000的指数增强策略,年化超额收益分别达到16.60%、19.20%和29.81%,同时控制回撤和跟踪误差,实现稳健的策略表现提升
| 损失类型 | 损失函数 | IC均值 | 多头年化超额收益率 | 多头信息比率 | 多头最大回撤 |
|---|---|---|---|---|---|
| PairWise | HingeLoss | 14.48% | 18.34% | 2.44 | 4.88% |
| PairWise | DCGHingeLoss | 13.82% | 17.33% | 2.39 | 4.23% |
| PairWise | LogisticLoss | 14.53% | 18.57% | 2.32 | 4.79% |
| PairWise | LambdaNDCG2 | 11.98% | 19.51% | 2.78 | 3.68% |
| ListWise | NeuralNDCG | 12.58% | 19.37% | 3.10 | 2.88% |
| 回归 | MSE | 14.42% | 17.63% | 2.70 | 3.99% |
报告标题: 排序学习对GRU选股模型的增强—融入注意力机制的GRU表现优异
作者与机构: 国金证券金融工程组,分析师高智威(执业编号S1130522110003)、王小康(执业编号S1130523110004)
发表时间: 近期(具体发布日期页码未明示)
研究主题: 深度学习中的GRU(门控循环单元)模型在股票选股领域的应用,排序学习方法对传统GRU选股模型的增强,以及策略在中国A股具体指数上的实证应用。
核心论点:
,1]
模型设计背景:
GRU是RNN的一种变体,有效处理长短期时间序列依赖,已广泛用于量化选股。其他编码器(如CNN、Transformer)也在时序预测表现出色。业界学界强调通过融合各种编码器优势实现提升。
核心改进点:
参考DA-RNN(双阶段注意力机制的RNN模型),该模型在编码器和解码器均设置注意力机制:编码阶段对不同输入特征赋权,解码阶段基于时间序列不同时间步赋权,从而实现了特征和时间维度的动态加权。
DA-RNN局限:
改进方案:
采用只在特征层面对注意力机制进行加权,与多步GRU结合,避免DA-RNN解码器设计的复杂性和信息泄露问题。使用原始日频量价数据(高、开、低、收、成交量、VWAP,周期60天)作为输入,保持基础训练和损失函数流程一致。
实证结果:
AGRU(Attention-GRU)模型在全A股股票池中,相较于传统GRU因子,IC均值提升微弱从14.28%至14.42%,多头年化超额收益率从17.45%增至17.63%,信息比率和多空夏普比率均有所改善;尤其在沪深300大盘股池中,效果更为明显,多头年化超额收益率由15.96%增至17.24%,收益稳定性增强。
,4,5]
核心思想:
传统股票收益预测多采用均方误差(MSE)回归,关注绝对预测误差;而选股本质是预测不同股票未来收益的排序关系,排序准确性比绝对数值更关键。排序学习强调针对排序关系进行损失设计,更符合量化选股需求。
排序学习框架:
排序指标NDCG(Normalized Discounted Cumulative Gain):
强调排序前端准确性,用折扣系数降低后续排序样本的影响,更符合量化主力关注最佳多头部分。
案例对比(图表8-9)揭示:
MSE容易忽视排序错误,尤其当回归偏差较大但排序正确时会惩罚过重;排序学习损失更加关注排序的正确性,能准确惩罚排序错误。
实证测试结果:
多种排序学习损失函数(详见图表10)均在全A股池展示不同程度优势。
,7,8,9,10]
由于单一排序学习损失可能过度关注排名结果,忽略收益幅度大小,报告提出将选定的排序损失(DCG Hinge Loss、Lambda NDCG2、Neural NDCG)与传统MSE损失结果做等权线性合成。
复合因子在沪深300、中证500、中证1000各种股票池上均表现出较高的IC均值、多头年化超额收益和信息比率(参见图表15)。
多头超额净值曲线(图表16,17)进一步证明了该合成因子较单一MSE因子在样本外的稳定性和收益提升。
早停机制局限性:
传统机器学习训练中,倾向于选择验证集表现最优的单轮(epoch)的模型参数作为预测用模型。然而该参数点往往是局部最优,并且过度拟合训练和验证数据,造成样本外表现不佳。
改进思路:
取验证集表现最好若干(本文为5)轮epoch对应的模型参数,分别进行预测后均值汇总,将模型预测转化为“模糊的正确”加权结果,减少对单个模型偏差的依赖。
实证效果:
多轮参数均值方案在沪深300、中证500、中证1000三大股票池中均显示了IC均值、信息比率、多头超额收益率和夏普比率的显著提高(图表21),超越单轮策略(图表22、23)。
,13,14]
组合构建:
以优化投资组合超额收益率为目标,采用马科维茨均值方差模型约束跟踪误差不超过5%、个股权重偏离不超1%。投资标的限定为基准指数成分股,调仓周期为每月第一个交易日,假设双边手续费0.14%。
策略表现:
沪深300增强策略:
年化超额收益16.60%,超额最大回撤3.78%,信息比率近4,回撤水平大幅降低,收益稳定性强(图表24、25)。年度超额收益除了2019和2023年较低,其他年份均超过10%(图表26、27)。
中证500增强策略:
年化超额收益达19.20%,超额最大回撤4.25%,夏普比率0.79,年换手率维持合理水平(图表28、29)。年度超额表现除2019和2023外均稳定在10%以上(图表30、31)。
中证1000增强策略:
策略超额收益最高,年化达29.81%,最大回撤8.04%,夏普比率1.11。年度收益稳定高位,除2023年外所有年份超额收益超过20%(图表32-35)。
整体结论: 排序学习损失结合GRU加强特征关注度与多轮参数取均值减轻过拟合,构成的选股因子及指数增强策略在实盘应用中表现优异,具有良好的收益-风险特征。
,18,19]
清晰展示编码器内分为输入注意力层(特征层面权重分配)和时序注意力层(时间步分配权重),以及解码器如何结合上下文进行时序预测。
体现模型对长时间依赖和多特征重要性动态捕捉的能力,但同时也强化了其计算复杂和实盘适应难题。
本报告并未涉及传统意义上的公司估值内容,而是主要针对机器学习因子模型的建构与策略绩效优化。策略层面运用马科维茨均值方差模型及约束条件,最大化因子预期超额收益率,且限制跟踪误差与个股权重偏离,实现组合优化。
输入参数:
优化目标: 组合相对基准的超额收益最大化,同时满足跟踪误差与权重限制。
这是标准量化投资组合优化框架,通过约束确保策略在控制风险的同时获取alpha收益。
模型时效风险:
基于历史数据回测,未来市场政策、环境的变化可能导致模型失效或性能下滑。
假设风险:
回测假设及交易成本假定的合理性影响策略表现,若实际交易费用上升会极大影响策略收益。
过拟合风险:
虽然引入多轮参数均值缓解过拟合,但高维神经网络模型仍可能对历史样本形成拟合,削弱泛化能力。
操作风险:
模型需月度调仓和具体样本处理,实际实施时可能受市场流动性、交易限制影响。
报告未明确指出具体缓解措施,但多轮均值、指数组合优化是针对上述风险的有效方法。
本报告充分强调神经网络模型及排序学习在选股领域的理论优势与实证正方向提升,但也承认实际模型训练的计算瓶颈与信息泄露风险,对经典DA-RNN模型进行了必要的改良。
排序学习的引入契合选股本质,符合理论预期,实证呈现统一提升,不过多任务学习未取得理想效果或说明排序学习与传统回归任务的整合复杂,可能还需进一步模型及算法设计。
多轮参数取均值是简洁有效的过拟合对策,但仍然属于经验性方案,更复杂的贝叶斯模型平均或集成学习方案或有潜力进一步改善。
指数增强策略表现突出,但其较低波动率可能部分得益于权重约束和指数成分股限定,收益稳定性与回撤控制在一定程度上经过设计,策略的主动组合选择能力和市场大环境有关,未明确比较其他机器学习策略或传统因子模型。
文章未展开深层次对比不同神经网络架构的系统性评估,对图表及数据的统计显著性检测较少,未来研究可加强这些方面的严谨性。
本报告系统地展示了基于GRU神经网络的量化选股模型如何通过引入特征层面的注意力机制和排序学习理念得到显著提升。首先,修正并简化了传统复杂的DA-RNN双阶段注意力结构,提出更适合日频量价数据的AGRU模型,提升了特征动态权重赋予能力,使因子在多个关键绩效指标上均优于传统GRU。
随后,融合了搜索引擎中的排序学习思想,重点关注因子输出的收益率排序准确性,通过引入多种排序损失函数,验证了其能够在保证预测收益率的相对正确排序同时,提升多头组合的稳定性和收益水平。最后通过将排序损失与传统MSE回归损失等权合成,综合发挥双方优势,进一步提升因子的有效性和多样性。
报告针对神经网络训练中常见的过拟合问题,提出了采用多个验证集表现最优epoch的模型参数进行预测结果平均的“模糊正确”方法。该策略显著缓解了模型过拟合风险,实证结果在全A股及多个指数成分股中均表现稳健提升。
基于改进的算法因子,结合经典均值方差的指数增强组合优化方法,报告分别在沪深300、中证500、中证1000指数中进行了回测测试。结果显著,三大指数增强策略均实现了超过15%(中证1000超29%)的年化超额收益率,同时最大超额回撤得到较好控制,信息比率稳健,月度调仓假设合理反映实际操作。
总体来看,报告在量化选股领域成功融合了前沿神经网络注意力机制和信息检索排序学习技术,有效强化了以GRU为核心的深度学习选股模型性能,切实提升了策略的预测准确度和投资收益,具备较高理论与实操价值。,3-18]
以上为该报告的详尽解读与全面分析。
Alpha掘金系列之十二:排序学习对GRU选股模型的增强.pdf