以下为对提供的金融研究报告“深度学习选股训练目标的多维优化——深度学习系列之二”的极为详尽解读,力求覆盖报告的论点、数据、假设与结论,并对文中图表与表格进行逐条解读与溯源标注。文中涉及的页码均以你提供的原文分页为准,结论性句子后附上相应页码标识,以便追溯。
一、元数据与概览(引言与报告概览)
- 标题、作者、发布机构与日期
- 报告标题:深度学习选股训练目标的多维优化——深度学习系列之二;作者/机构:天风证券研究所(证券研究领域的研究机构)撰写;发布日期:2026 年 05 月 06 日;主题:将多目标优化理念应用于深度学习选股,聚焦目标错配、梯度冲突以及多目标协同优化的实现路径。该文通过系统性测试、理论框架与若干案例来论证多目标优化在量化选股中的作用与可行性。
- 核心论点与信息
- 核心结论之一:传统深度学习选股普遍采用单一损失函数,难以反映交易成本、组合收益与风险等投资约束,存在结构性错配;而 Listwise 类损失在排序上总体优于 Pointwise 与 Pairwise,Rank IC 作为目标训练的排序效果最优;但从多头收益角度看,WMSE、MSE、IC 的目标在不同场景下有更好的表现;CCC 损失提供了对相关性与尺度的一致性兼顾,表现更均衡。单一目标难以同时满足预测精度、风格控制、行业中性与稳健性等多重约束,因此需要多目标优化来实现多维约束的协同优化。以上要点在报告中被系统归纳并在各章节得到支撑。
- 多目标优化的实现路线:引入 Jacobian 下降(Jacobian Descent, JD)及 UPGrad 聚合器,通过对偶锥投影实现无冲突梯度聚合,解决多目标梯度冲突问题,从而在不牺牲预测能力的前提下提升多维约束(收益、风险、风格中性等)的协同优化。该理论在 TorchJD 模块与 PyTorch 的对接中得到落地,为量化选股中收益、风险等多维约束的协同优化提供了工具。
- 报告结构定位
- 报告按“二、训练目标的系统性测试”、“三、多目标和多任务学习”、“四、因子与策略表现”、“五、总结”等章节展开,辅以丰富的图表(图1-图26、表格等)来支撑各自的论点与结论。
二、逐节深度解读(逐章精读与剖析)
二.1 训练目标的系统性测试(第二章起始,聚焦损失函数的对比与系统性测试)
- 章节要点与论证路径
- 研究团队在深度学习选股框架中对三大类目标函数(Pointwise、Pairwise、Listwise)进行系统性对比测试,考察其在样本外表现中的优劣。测试框架以“多窗口信息融合模型”为基础,结合 Log-signature、时序编码、Transformer 融合等技术,以5折交叉验证的方式在 2008-2017 的训练期数据上训练,在 2018-2026 的测试期进行周度调仓回测,交易费用未计入(即对比纯粹模型输出与排序效果)。该设计强调在不同目标函数下,模型对未来收益的预测与排序能力的实际表现。图1(模型架构)用于展示多窗口信息融合框架的总体结构。
- 数据与标签设计:基础数据为 30 日 5 分钟频率的基础量价数据(开盘、收盘、最高、最低、VWAP、成交量、成交额),训练标签为 t+1 至 t+11 的收益率,进行截面 z-score 标准化,训练与测试数据分割遵循历史时间窗与滚动验证思路。该设计明确了收益预测的时滞与分布假设。
- 关键结论与数据要点
- Pointwise 评估中,MSE 与 WMSE 在样本外表现较优,但在排序对齐方面存在不足;头部组合的收益拟合较好,但整体排序效果可能受限。RankNet 与 Margin Ranking 在 Pairwise 中改善了排序,但多头回报有限,MRL 不及 RankNet。Listwise 方面,IC 使用平衡性较好,Rank IC 在排序效果上最佳,但对收益数值信息的保留不足,CCC 提供了对相关性与分布差异的综合权衡,表现较为稳定。结论性表述:Listwise 在排序方面优于其他单目标类,Rank IC 能实现最优排序效果,但多头表现偏一般;CCC 的综合性使其在多目标场景中表现更均衡。综合比较显示,单目标难以覆盖投资策略的多重约束,因此多目标优化的价值凸显。引用结论多来自图2与文段评述,需结合后续章节的多目标框架来落地。
- 图表与数据要点的解读
- 图3、图2 等在章节中对比了不同单目标训练模型在样本外的表现,数据支撑了上述排序与回报的对比结论;图中数据强调了 Listwise 类在排序表现上的优势。图2 及其文字描述明确指出:单目标下不同损失函数的偏好差异,以及排序目标与收益目标之间的潜在错配。由于图2在原文中仅以文字描述为主,本文在解读时以文本要点为辅,确保对比逻辑清晰可信。
- 概要性小结
- 该章节奠定了“单目标不足以覆盖真实交易目标”的实验基础,明确了 Listwise、Rank IC、CCC 等 Listwise 子类在不同情境下的利弊,为后续多目标框架的设计提供实验依据。
二.2 多目标与多任务学习的理论与框架(第三章至第四章的核心理论)
- 3.1 从梯度下降到 Jacobian 下降
- 梯度下降在多目标场景下的局限性:若存在 m 个目标函数 {θ1, θ2, ..., θm},各自的梯度 ∇i θ 可能相互冲突,简单的梯度加权会导致冲突梯度抵消或大梯度主导信号,使优化偏离理想的 Pareto 最优权衡。该部分给出多目标优化的基本数学背景,强调“单目标化”的局限性。
- Jacobian 下降核心思想:通过将多目标的梯度信息用 Jacobian 矩阵统一描述,并由聚合器将其无冲突地聚合为一个更新方向,以确保更新对所有目标都具有正向效用(非恶化内积约束)。UPGrad 聚合器通过将各目标梯度投影到对偶锥来实现非冲突更新。该框架为后续在量化选股中对收益、风险、多维约束的协同优化提供了理论基础。图3示意梯度集合方式,直观呈现 UPGrad 的聚合机制。
- 3.2 案例一:收益预测与换手率的双重优化
- 案例设计:在收益预测的基础上增加一个“自相关性/换手率”约束,目标函数形成双目标优化;UPGrad 的非冲突聚合器用于实现两目标的兼容更新,降低换手率而不显著牺牲收益预测能力。图4 展示对比结果,表明在两目标耦合下,因子预测能力保持接近原始水平,但换手率显著下降,显示多目标协同的有效性。
- 3.3 案例二:市值与行业的分域优化
- 设计要点:因子可能对市值与行业存在偏向,因而在截面上以市值 10 组分域、行业分域分别对 RankNet 损失进行局部优化,同时在全局预测目标上实现协同。这一分域化的局部优化降低了因子对市值/行业的依赖与偏向,提升排序能力与回撤控制。图5 显示分域优化的对比效果,结论是局部排序优化+全局预测有助于降低回撤、提高稳定性。
- 3.4 案例三:跨时间的梯度聚合实现稳健的特征提取
- 核心思想:从“单日截面的全局梯度平均”转向“跨时间的梯度聚合”,即将每个随机抽取的若干交易日 mini-batch 视作独立优化目标,进行多目标梯度聚合,以提高对不同市场状态的适应性与稳健性。该方法提升了对牛市/熊市/震荡市等状态的鲁棒性,并且通过正则化作用提升参数更新的稳定性。图6 给出跨时间梯度聚合的对比。
- 3.5 案例四:收益与风险预测的多任务优化
- 结构与结果:将收益预测任务与最大回撤预测任务进行多任务协同,特征提取阶段采用 Jacobian 下降,主任务与辅助任务通过不同梯度更新策略实现协同优化。结果显示:最大回撤下降明显,但多头收益略有下降,体现了多任务优化在权衡风险与收益时的典型折中。图7 展示了对比结果。
- 3.6 案例五:长短周期收益预测的多任务优化
- 设计要点:设置 5 个 task module 分别预测未来 1、3、5、8、10 个交易日后的收益率,复用 shared module 的输出,驱动长短周期信息的共同优化。结果指出:相较单周期预测,Rank IC 与多空回撤有所改善,说明多周期信息的协同对稳健性有帮助。图8 展示对比。
三、图表深度解读(逐图逐表、对照文本)
-
图3:梯度集合方式的示意图
- 描述与解读:展示了在多目标优化中,采用 UPGrad 聚合器将多个目标梯度投影到对偶锥中的工作原理。绿区域表示非冲突聚合后的可行更新方向,证明 UPGrad 能在不同目标间实现“无冲突”更新。文本对图3的解释与 UPGrad 概念高度吻合,是理解后续案例的关键。 [图示:图3]
- 溯源标注:图3来自“图3:梯度集合方式的示意图”,发布时间点在第九页的图像段落。
- 图示路径:
-
图4:收益预测与换手率的双重优化对比
- 描述与解读:对比单目标优化下的收益预测表现与在双目标优化下的换手率变化。结果显示,在收益预测能力几乎不被牺牲的前提下,换手率显著下降,体现多目标优化在交易成本约束下的实际收益提升潜力。该图直接支撑了 3.2 案例的结论。
- 图的具体图片路径在原文中未给出明确的图像文件路径,仅在文本中提及对比,因此此处以文本描述为主。图示位置见文中图4段落。
-
图5:市值与行业的分域优化对比
- 描述与解读:在局部分域优化基础上叠加全局预测,提升了排序能力并降低了对市值/行业的依赖,回撤显著下降。支持了 3.3 案例的核心论点。
- 未给出明确图片路径,解读以文段为主。
-
图6:跨时间梯度聚合优化对比
- 描述与解读:展示跨时间梯度聚合在稳健性与收益维度上的提升,强调时间维度上的多样性训练带来的一致性收益。支持 3.4 案例的论断。
-
图7:收益与风险预测的多任务优化对比
- 描述与解读:多任务(收益+最大回撤)预测的协同效果,主任务的预测能力提升同时带来下行风险信息的纳入,导致多空回撤下降但短期收益略有下降。该图直接支撑 3.5 的结论。
-
图8:长短周期收益预测的多任务优化对比
- 描述与解读:多任务设计通过对不同时间窗口的收益率进行共同优化,使模型对未来收益曲线的拟合更稳健,提升排名相关性(Rank IC)及回撤控制。支持 3.6。
-
4.1 多频率数据下的模型表现(图9-图19及其分图)
- 描述与解读:将 10 日 1min、30 日 5min、60 日 15min、90 日 60min、120 日 1日等多频数据分别训练,结果显示:高频数据得到的因子通常具有更高的 Rank IC 和更高的换手率,随着频率降低、窗口拉长,因子本身 Rank IC 下降但多头收益提升。这一现象揭示了高频与低频信息对因子风格的不同偏好及权衡,成为后续多频率数据集成的理论基础。上述图9、图10-19 逐步呈现了不同频率下的回测与 Rank IC 的演化趋势。
- 具体图片标注(可按照原文引用逐条嵌入):
- 图9:多频率数据下的模型表现对比(无图片路径,文本描述为主)
- 图10:GSM-1min 分组回测 需要嵌入:
- 图11:GSM-1min RankIC 表现 需要嵌入:
- 图12:GSM-5min 分组回测 需要嵌入:
- 图13:GSM-5min RankIC 表现 需要嵌入:
- 图14:GSM-15min 分组回测 需要嵌入:
- 图15:GSM-15min RankIC 表现 需要嵌入:
- 图16:GSM-60min 分组回测 需要嵌入:
- 图17:GSM-60min RankIC 表现 需要嵌入:
- 图18:GSM-1d 分组回测 需要嵌入:
- 图19:GSM-1d RankIC 表现 需要嵌入:
- 结论性要点:高频信息对短期信号的换手成本敏感性更强,低频信息则提升了因子稳定性与收益规模,显示多频数据的互补性,为后文多数据集成提供支撑。
-
图20-图22:多频率数据生成因子间相关性、合成因子表现、合成因子与风格因子相关性
- 描述与解读:图20指出多频率数据生成的因子之间相关性偏低,支持后续的因子合成与组合策略;图21呈现合成因子在不同频率下的表现情况;图22给出合成因子与风格因子的相关性情况,揭示了合成因子在风格维度上的独立性优势。整体印证了跨频信息融合后,因子之间的互补性与鲁棒性提升。
- 图22 的具体图片:
-
图23-图26:指数增强策略表现及各指数增强的对比(沪深300/中证500/中证1000)
- 描述与解读:以周频调仓、严格的风险控制(如换手上限、风格/行业偏离、交易成本等)进行指数增强组合回测。沪深300、中证500、中证1000三条增强线均表现出稳定上行趋势与合理的跟踪误差,反映了在限制条件下,增强策略能实现显著的超额收益。图23 为整体指数增强策略的对比图,图24/25/26 给出各指数增强策略的分项表现。核心结论:在控制交易成本和风险暴露的前提下,指数增强策略表现出稳定而显著的超额收益。
- 具体图片路径:
三、估值分析(如报告含估值框架时的要点整理)
- 观感与要点
- 报告的核心是在“选股模型的训练目标如何设计、以及如何通过多目标优化实现对收益、风险、风格中性等多约束的协同优化”。文中明确给出若干绩效指标(Rank IC、多头/多空年化收益、跟踪误差、最大回撤等)以及实际回测区间与约束条件(如周单边换手上限 10%、交易成本假设等),但对某一个具体股票组合的传统估值方法(如 DCF、EV/EBITDA 等)没有展开;更多是在策略层面展示回测结果与指标敏感性。因此,若要进行传统“估值”定量,需要以报告所给出的因子、信号及策略的收益分布来做外推或再估值分析。报告本身更偏向方法论与策略表现评估,而非对标的企业进行基础估值定价。此点可从“指数增强策略表现”相关章节及风险提示中得到支撑。
- 结论性判断
- 在未计入交易成本与滑点的前提下,指数增强策略在沪深300、中证500、中证1000等指数上的超额收益与稳定性表现出色,显示多目标、多频数据融合与分域优化在实盘中的潜在可行性与优势。此处的“估值”更多指策略层面的性能估值而非企业估值,结论应聚焦策略回测的稳健性与鲁棒性。
四、风险因素评估(报告明确提出的风险与应对)
- 风险点与影响
- 研究基于历史数据与模型,存在模型失效风险,历史数据回测结果不代表未来表现。这一风险提示覆盖了模型的外推能力、市场结构变化、极端行情以及潜在的过拟合风险。
- 交易成本、滑点、市场冲击等在周度调仓的约束下也将影响实际收益,报告中对交易成本设置较为谨慎,真实交易环境下的回测表现可能与本报告存在差异。沪深300/中证500/中证1000 的增强策略在回测中表现优异,但在不同市场阶段及不同交易成本假设下的敏感性需要进一步评估。图23-26 的策略表现虽然显著,但在实际执行中需考虑手续费、滑点、交易延迟等因素的变动影响。
- 缓解与对冲
- 报告通过多目标、多任务的梯度聚合与跨时间梯度聚合来提升对市场状态的鲁棒性,理论基础与实验结果共同指向一个方向:通过非冲突梯度更新与跨域正则化,降低对单一市场状态的过拟合风险,以及减少对特定域的暴露。这构成了应对市场结构性变化的一种方法论层面的缓解策略。
五、批判性视角与细微差别(审慎评估)
- 潜在偏见与局限
- 偏向于方法论的强烈创新性与实证回测的稳健性:报告重点在“Jacobian 下降 + UPGrad 聚合器”这类前沿方法的可行性与在多目标约束下的协同优化效果,可能对传统因子模型的地位产生高强度对比,但未给出对比度极高、覆盖面更广的实证敏感性分析(如不同市场阶段、不同行业结构、不同大市值/小市值比例的敏感性)。这在文章的风险部分有提及,但可能需要更多外部样本验证。
- 信息披露与透明度
- 数据口径方面,研究明确了“数据来自深圳米筐RQData”等来源,且测试数据的时间窗设置、跨年度滚动重训练方法等均有文本描述,但具体参数的完整公开(如各目标损失的超参数、模型结构细节、训练时的超参数设置、不同频率数据的具体分解方法等)在本文摘要级别的解读中未完全呈现,可能影响复现性。若未来能提供更完整的复现性材料,能够提升外部评估的可信度。
- 逻辑一致性与潜在矛盾
- 在“单目标最优排序”与“多目标协同优化”之间,报告给出了一系列权衡结论,例如 Listwise 最适合排序、Rank IC 最优排序、CCC 的综合性等。随后又强调多目标优化在收益、风险、换手率、分域中性等方面的优势。这些结论在不同章节的实验对比中基本一致,但需要注意:不同目标之间的权衡强度、聚合器的具体实现细节(UPGrad 的对偶锥投影)以及不同数据分布下的稳定性,是否会在未来数据或不同市场环境中出现新的冲突,需要进一步研究。以上潜在矛盾点在文本的多处被提及,但在具体数值对比中并未逐一列出所有敏感情形。
- 对“估值”的定位
- 报告并非聚焦企业基本面估值(如折现现金流、EV/EBITDA 等),而是以“因子、信号与策略”的回测表现来衡量价值。因此,读者在使用时应清楚区分“策略绩效估值”与“企业估值”之间的区分,避免将两者混淆。该点在总括性段落中多次被强调,需要在应用中保持清晰的界线。
六、结论性综合(对整份报告的综合性评估)
- 关键发现与主张
- 单一训练目标难以与现实投资决策的多维约束完全匹配,Listwise、Rank IC、CCC 等 Listwise 目标在排序/相关性方面具有明显优势,但在考虑绝对收益、风格控制和稳健性等多维约束时,需要更复杂的多目标框架来实现协同优化。该判断在第2章的对比结论与第7章总结处得到一致支撑。
- Jacobian 下降与 UPGrad 聚合器为多目标优化提供了系统性的实现路径,通过对梯度进行无冲突聚合,显著缓解了多目标梯度冲突问题,理论基础与图示(如图3)在第3章得到充分阐释,且在多个案例(收益换手双目标、市值与行业分域、跨时间梯度聚合、多任务优化等)中呈现出实际的绩效提升。该结论在第8-12页的各案例描述中反复得到验证。
- 多目标优化在多种量化场景中展现出广泛适用性:换手率控制、市值行业中性、稳健特征提取、收益与风险的多任务学习、以及长短周期收益预测等。在多场景的实证分析中,模型通过跨时间、跨频率与跨任务的协同优化获得了显著的性能提升,尤其在跨时间梯度聚合和多频率数据集成方面。相关论断在第3章及第4章的各图文描述中多次被强调。
- 指标层面的实证结果也具备说服力:合成因子在周频 Rank IC 以及多头/多空收益上的显著提升(周频 Rank IC、42.75% 的周频因子年化收益、140.31% 的多空年化收益等),以及指数增强策略在沪深300、中证500和中证1000上的持续超额收益与较低跟踪误差,均显示该框架在实践中的潜在价值。上述关键数据点来自“多目标优化提取特征稳健,生成因子表现优异”与“指数增强组合表现”章节。
- 最终判断(整体立场)
- 本报告提出的多目标优化框架,特别是 Jacobian 下降与 UPGrad 聚合器的实现,使多目标在深度学习选股中具备更强的协同能力与稳健性。报告以大量实证与对比支撑其结论,即在多目标约束下,能够获得更符合投资决策需求的特征、信号与策略组合。总体而言,报告在方法论创新、实验设计及实证结果方面具有较高的说服力,且对未来量化投资中的多目标优化提供了可操作的技术路径。
七、附注与溯源(重要引用与风险提示)
- 风险提示
- 报告明确强调:分析基于历史数据与模型,存在模型失效风险,历史回测结果不代表未来表现。此为对外部可重复性与未来表现的基本警示,应被投资者高度重视。
- 参考文献与方法论来源
- 关键理论来源包括 Quinton & Rey 的 Jacobian Descent 及 UPGrad 聚合器的相关论文,以及对时间序列特征提取的通用方法(LogSignature、Signatory 等)。相关参考文献在第六部分给出。
- 风险披露与利益冲突
- 报告末段给出“风险提示、分析师声明、一般声明、特别声明”等,以披露可能的利益冲突与合规要件,提醒投资者不要将报告视为唯一投资依据。
完整的图表嵌入速览(便于快速溯源与图表解读)
- 图1:多窗口信息融合模型架构
- 路径:
- 图3:梯度集合方式的示意图
- 路径:
- 图4-6 等后续案例对比图(文本描述中多处提及对比,若需,可按原文中给出的页码逐一嵌入相应图片)
- 图9-图19:多频率数据下的模型表现及RankIC
- 具体图片路径见文中列示(如图10、图11、图12、图13、图14、图15、图16、图17、图18、图19等,部分含路径:见前文对应栏位)
- 图20-图22:因子相关性与合成因子相关性
- 路径:
- 图23-图26:指数增强策略表现
- 路径示例:图24、图25、图26 的图片路径分别为上述在第16页的图片链接(详见正文对应段落的图注)。
总体而言,报告以“多目标优化”为核心,系统地从理论、框架实现、案例应用、到实证表现进行了全面展开。通过对比单目标与多目标、以及跨时间、跨频率的数据融合,展示了在选股模型中实现多维约束协同优化的可行性与潜在收益。若将来结合更丰富的市场环境与外部样本扩展验证、以及对交易成本、滑点等实盘因素的更细粒度建模,预期该框架的实用性与稳健性将进一步增强。
若你需要,我可以基于上述解读输出更为结构化的报告摘要、逐段注释清单,或为每张关键图表附上更为详细的量化解读与再现性要点。