金融工程高智威|Alpha掘金系列之十二：排序学习对GRU选股模型的增强

文章预览

金选·核心观点 摘要  融入注意力机制的GRU表现优异  目前神经网络主流的三类编码器RNN,CNN,Transformer在量化选股领域均表现出了较强的预测效果，如何能使各类编码器发挥自身优势并有效结合成为学术界不断尝试的领域。我们参考DA-RNN两阶段注意力机制的设计思路，避免该模型在实际应用中潜在的问题，将注意力机制改为特征层面的权重分配，与GRU结合后具有明显的优势，在绝大部分指标上超越原本GRU模型。 排序学习思想与A股实证效果  我们参考了推荐系统和搜索引擎中普遍使用的排序学习思想，认为其使用场景和量化截面选股策略具有高度相似性。探讨对比了包括ListWise和PairWise两大类排序学习损失函数，部分损失函数能借助NDCG指标提升多头组合表现，且部分因子相较于传统MSE回归模型有一定提升效果，我们将相对有效且相关性相对较低的损 ………………………………