20240821-国金证券-Alpha掘金系列之十二_排序学习对GRU选股模型的增强_21页_2mb

本报告总结了改进的GRU模型（AGRU）在量化选股领域的应用，重点探讨了注意力机制、排序学习和抗过拟合策略的结合，以提升预测效果和策略稳健性。首先，通过修改DA-RNN的两阶段注意力机制，将特征层面权重分配与GRU结合，AGRU在各项指标上全面超越传统GRU模型，IC均值提升至1442%，多头年化超额收益率达1763%。排序学习的引入，使用如DCGHingeLoss和LambdaNDCG等损失函数，进一步优化了因子表现，IC均值达到1382%，多头信息比率显著提升，突显了排序学习在预测相对大小关系上的优势。针对过拟合问题，提出取多轮最佳参数平均的方法，取代早停机制，有效增强了样本外稳健性，并在测试中提升因子性能。最终，构建指数增强策略，基于AGRU和排序学习的因子，进行组合优化，在沪深300、中证500和中证1000指数成分股上实现了高超额收益：沪深300年化超额1660%，中证500为1920%，中证1000高达2981%。然而，需注意策略基于历史数据，市场变化可能导致时效性失效，交易成本上升可能影响收益。