文章预览
点击蓝字 关注我们 报告摘要 样本外泛化性不足是机器学习及深度学习模型共同面临的问题。 股票市场中,股票特征的分布以及股票特征与预期收益的关系可能是时变的,经济环境的变化、政策预期的变化以及突发事件等都会对其造成显著的影响。未能考虑到这种分布偏移的模型可能会在市场状态频繁切换或剧烈变化的场景中出现回撤。训练数据与测试数据的采样偏差、真实市场环境的不确定性、训练数据量的局限性等是实践过程中产生分布偏移的因素。本报告中介绍了两种解决方法:融合市场状态、对抗训练。前者通过不同环境中交易模式的调整来实现样本外泛化,即以变化实现泛化,后者寻找不变的因果特征,即以不变实现泛化。 基础模型FactorVAE具有良好的选股效果。 其包括四个部分:状态提取器、编码器、解码器以及预测器。状态提取
………………………………