文章预览
SAM介绍 主要内容 原文地址： 本研究介绍一种低成本、高通用性的正则化方法——Sharpness Aware Minimization（SAM），从优化器的角度提升模型的泛化性能。 林晓明 何康等，公众号：华泰证券金融工程 华泰金工 | SAM：提升AI量化模型的泛化性能 本研究介绍了Sharpness Aware Minimization(SAM)优化器,这是一种低成本、高通用性的正则化方法,旨在从优化器的角度提升量化模型的泛化性能。通过在GRU基线模型上应用SAM优化器及其改进版本,研究表明SAM优化器能显著提升模型预测因子的多头端收益,并构建的指数增强组合业绩显著优于基线模型。核心观点如下 SAM优化器通过追求“平坦极小值”增强模型鲁棒性。 SAM优化器能降低训练过程中的过拟合,提升模型的泛化性能。 SAM优化器能显著提升AI量化模型表现。 1. SAM优化器与模型泛化性能 正则化方法的重要性 正则化方法
………………………………
