金工深度研究-SAM：提升AI量化模型的泛化性能-241010-华泰证券-28页_2mb

AI量化模型：用SAM优化器提升泛化性能报告总结

本研究报告探讨了一种低成本、高通用性的正则化方法——Sharpness-Aware Minimization（SAM），用于提升AI量化模型的泛化性能。SAM优化器通过寻找“平坦极值点”来增强模型鲁棒性，区别于仅最小化损失函数的传统优化器（SGD、AdamW等）。

核心原理：
SAM优化器设计初衷是使模型在权重空间中找到一条平缓下降路径，同时最小化损失函数值及其邻域变化幅度。其改进版本通过自适应扰动半径、扰动方向优化、梯度垂直分量和全梯度分离等方式进一步提升性能，如ASAM（参数尺度自适应）、GSAM（扰动前后的梯度协同优化）、GAM（区分一阶和零阶平坦度）和FSAM（过滤全梯度的负面影响）。

实验设计与结果：
基于GRU量价因子模型进行对比实验，使用AdamW和若干SAM优化器版本。回测区间为2016-12-30至2024-09-30，结果显示：

• 验证集评价指标（如IC、IR）下降幅度较缓，训练终点值高于基线；
• 测试集损失函数值更低，地形更平坦；
• 预测因子多头端收益提升，指数增强组合年化超额收益在沪深300、中证500和中证1000组合中分别达到109%、151%和231%，信息比率显著优于基线模型（如GSAM综合表现最佳，2024年ASAM表现突出）。

风险与局限：
AI模型存在过拟合风险，且市场规律可能失效；深