加载中...
本报告系统介绍了Sharpness Aware Minimization(SAM)优化器及其多种改进版本,从优化器角度提升AI量化模型的泛化性能。通过基于GRU模型的实证测试,结果显示SAM及其改进版本显著降低过拟合,提高预测因子多头收益和指数增强组合的超额收益率,GSAM模型表现最佳,2024年ASAM表现突出。实验涵盖损失函数地形可视化、模型训练收敛性分析及多指数增强组合实证,支持SAM优化器在AI量化投资中的广泛应用价值
| 实验名称 | RankIC均值 | RankIC波动率 | RankICIR | RankIC胜率 | TOP组收益率 | TOP组胜率 | TOP组信息比率 |
|---|---|---|---|---|---|---|---|
| 基线 | 13.62% | 10.40% | 1.31 | 90.49% | 30.26% | 60.28% | 3.86 |
| SAM | 13.51% | 10.46% | 1.29 | 90.39% | 30.50% | 60.38% | 3.81 |
| ASAM | 13.46% | 10.41% | 1.29 | 90.39% | 30.61% | 59.75% | 3.86 |
| GAM | 13.59% | 10.41% | 1.30 | 90.76% | 31.39% | 61.66% | 3.97 |
| GSAM | 13.59% | 10.41% | 1.31 | 90.65% | 31.25% | 61.07% | 3.98 |
| FSAM | 13.56% | 10.35% | 1.31 | 90.87% | 31.41% | 61.02% | 4.04 |
本报告详细介绍并实证验证了Sharpness Aware Minimization(SAM)优化器及其改进版本在提升AI量化模型泛化性能方面的显著作用。通过理论剖析、损失函数地形可视化以及大规模实证回测,研究达到以下关键结论:
总体而言,SAM及其改进版为AI量化领域带来一种有效且具通用性的范式,突破传统基于训练误差最小化导致泛化不足的瓶颈,驱动量化模型向更高性能迈进。
以上为该研究报告的详细、系统性解析,涵盖所有重要章节内容、图表解读、方法论阐释、实验成果分析及风险与批判视角,深刻展现SAM优化器提升AI量化模型泛化能力的机制及实际效应。
金工深度研究:SAM 提升AI量化模型的泛化性能.pdf