本文系统评估了多种基于Transformer模型的损失函数在S&P 500股票日收益排名预测中的表现,比较了点对点、成对及列表式排名损失对模型盈利能力和风险控制的影响。结果显示,Margin、ListNet和BPR等排名损失显著优于传统MSE,提升了年化收益率和夏普比率,同时优化了最大回撤风险,为基于深度学习的量化选股模型的损失函数设计提供了实证指南。
| 损失函数 | 累积收益率CR(%) | 年化收益率AR(%) | 年化波动率AV(%) | 夏普比SR | 最大回撤MDD(%) | 斯皮尔曼IC | P@5 | 测试集MSE损失 |
|---|---|---|---|---|---|---|---|---|
| MSE | 79.28 | 14.78 | 15.79 | 0.6637 | -19.58 | 0.0754 | 0.3576 | 0.00286 |
| Margin | 89.07 | 16.23 | 15.85 | 0.7529 | -18.33 | 0.0758 | 0.3593 | 0.00632 |
| ListNet | 87.41 | 16.00 | 15.79 | 0.7407 | -18.36 | 0.0761 | 0.3595 | 1.01212 |
| BPR | 85.68 | 15.74 | 15.89 | 0.7200 | -15.77 | 0.0733 | 0.3578 | 0.01145 |
报告标题:On Evaluating Loss Functions for Stock Ranking: An Empirical Analysis with Transformer Model
作者:Jan Kwiatkowski、Jarosław A. Chudziak
机构:Warsaw University of Technology, Institute of Computer Science
发布日期:2025年10月17日
主题:本报告聚焦于金融领域中基于深度学习的股票排序任务,特别探讨不同训练损失函数对Transformer模型在股票排名效果及其衍生投资组合表现的影响,针对标普500股票数据进行了实证分析。
核心论点及目标:
报告旨在填补“先进排序损失函数(pointwise、pairwise、listwise)在Transformer模型中用于股票回报预测及排序的效果评估缺口”。它提出,“正确的排序能力”比单纯预测未来收益值准确率更加重要,因为模型需辅助构建收益优异的投资组合。作者系统对比多种损失函数,并通过在标准深度学习架构(基于PortfolioMASTER Transformer模型)上实证,揭示不同损失函数在捕获跨股票横截面关系和时间序列模式方面的表现差异,最终为定量投资策略的优化提供实用指南。
金融市场本质上动态多变,噪音大,且资产间关系复杂多样。以往包括ARIMA等统计模型虽有广泛应用,但在捕捉长期依赖和多维关联上存在局限,而Transformer模型因其自注意力机制,适合处理复杂时间序列与资产间相互关系,提升预测潜力。传统最小化预测误差的损失函数并不专注于排序任务,可能导致虽预测准确但实际投资排名错误,影响投资收益。
因此,作者提出应探讨采用专门的排序损失函数,借鉴信息检索等领域的pointwise、pairwise、listwise排序策略应用于金融股票预测,进而提升排名质量,优化投资组合效果。
报告对以下领域文献回顾做了梳理:
深度学习在金融预测中的应用:包括早期RNN、LSTM及CNN,用于价格走势预测;近年来Transformer在时间序列领域的快速发展,以及其在金融特殊任务中的应用和改进。
学习排序(Learning-to-Rank,LTR)方法:三大策略被介绍及其在IR领域的成熟应用:
Loss函数关键性:介绍了信息检索及神经架构搜索(NAS)中,适当的排名损失函数促进了模型的实际表现提升,强调损失设计对模型效果的显著影响。
最后指出,金融领域尤其是结合Transformer的股票排序任务中,尚未有系统比较多种排名损失函数的研究,提出此为本报告贡献所在。
此定义强调损失函数的选择是模型学习排序能力的关键变量。
分为三类:
点对点 (Pointwise):Baseline为均方误差 (MSE)
[
L_{\mathrm{MSE}} = \frac{1}{N} \sum_{i=1}^N (\hat{y}_i - y_i)^2
]
混合点对点-成对 (Combined pointwise-pairwise): [ L_{\mathrm{Combined}} = (1-\lambda) L_{\mathrm{MSE}} + \lambda L_{\mathrm{Pairwise}} ] 常见pairwise包括:
列表式 (Listwise):以ListNet为代表,通过softmax概率分布,计算预测与真实排名分布间交叉熵损失,调节温度参数 τ 控制分布尖锐程度: [ L_{\mathrm{ListNet}} = - \sum_{k=1}^N P_{\mathbf{y}}(k; \tau) \log P_{\hat{\mathbf{y}}} (k; \tau) ]
表1对各损失函数做了形式化展示,解释各个损失的计算核心公式及参数,体现了多样性和复杂度。
数据集:
训练流程:
投资组合模拟:
评价指标:
该设计算法严谨,模拟了实际投资决策流程,嫁接量化预测与投资业绩的桥梁。
组合表现聚焦
预测指标与组合表现不完全一致
损失设计影响分析
报告有效阐释了损失函数不仅仅作为训练指标,更通过影响模型对错误类型和排序区间的惩罚权重,深刻改变投资组合构建的实际表现。
| 损失函数 | CR(%) | AR(%) | AV(%) | SR | MDD(%) | IC Spearman | Std IC | ICIR Spearman | P@5 | Test Loss (MSE) |
|---|---|---|---|---|---|---|---|---|---|---|
| MSE | 79.28 | 14.78 | 15.79 | 0.6637 | -19.58 | 0.0754 | 0.0994 | 8.8076 | 0.3576 | 0.00286 |
| Hinge | 82.90 | 15.33 | 15.79 | 0.6984 | -19.58 | 0.0762 | 0.0991 | 8.8432 | 0.3586 | 0.00301 |
| Margin | 89.07 | 16.23 | 15.85 | 0.7529 | -18.33 | 0.0758 | 0.0989 | 8.8520 | 0.3593 | 0.00632 |
| BPR | 85.68 | 15.74 | 15.89 | 0.7200 | -15.77 | 0.0733 | 0.1005 | 8.6915 | 0.3578 | 0.01145 |
| RankNet | 80.78 | 15.01 | 15.82 | 0.6771 | -18.97 | 0.0767 | 0.0991 | 8.8422 | 0.3586 | 0.01909 |
| WHR1 | 82.40 | 15.25 | 15.78 | 0.6938 | -19.54 | 0.0763 | 0.0991 | 8.8448 | 0.3593 | 0.00352 |
| WHR2 | 81.84 | 15.17 | 15.83 | 0.6866 | -19.74 | 0.0764 | 0.0991 | 8.8470 | 0.3582 | 0.00300 |
| ListNet | 87.41 | 16.00 | 15.79 | 0.7407 | -18.36 | 0.0761 | 0.0990 | 8.8482 | 0.3595 | 1.01212 |
解读:
此表为全报告核心量化实证证据,展示不同损失达成的多维权衡,明晰损失函数选择对应投资表现差异。
本报告属于机器学习模型评估和实证研究范畴,不涉及传统意义的公司或资产估值,如DCF、市盈率等财务估值方法分析。因此无传统估值方法论述,报告关注模型训练目标函数(即损失函数)对投资表现的影响,可以视为对模型优化“目标价值”即排序能力和最终投资效果的探索。
报告未用专门章节展开风险分析,但隐含的风险主要包括:
报告建议未来扩展工作验证广泛市场条件和全标普500样本,验证模型稳健性并分析损失函数自适应调节机制以缓解风险。
总体,报告数据驱动严谨,理论联系实际清晰,但仍有进一步完善空间,特别是在广泛泛化与风险评估方面。
本报告聚焦于量化金融中的股票排名问题,创新性地结合了多种先进的排名损失函数与Transformer深度学习架构,针对标普500市值代表股票构建并衡量模型在投资组合构建中的实际表现。研究贡献包括:
图表分析显示,包含加权和边际要求的pairwise损失在强制模型对高排名股票做出更自信区分的角度更适合实盘组合构建;而listwise损失则帮助模型捕获整体排名结构,兼顾全局排序质量。测试误差指标的差异警示仅以传统回归误差衡量模型优劣可能误导实务选择。
总的来看,作者以创新视角深化了金融机器学习中的损失函数设计问题,突破单一预测准确性界限,着眼于投资策略的实际经济效用,为金融市场中基于生成式Transformer模型的量化选股策略提供了关键的算法训练指导。
以上分析中的引用依据均标注了页码,便于查验与索引:
, , , ,
2510.14156.pdf