【方正金工】基于可微RankIC损失函数的深度学习选股策略——机器学习选股系列研究之一
创建于 更新于
摘要
本报告提出并实现了以可微化的Spearman（Rank IC）为损失函数的端到端深度学习选股框架：通过按交易日切割mini-batch、采用Sigmoid软排序与NeuralSort两类可微排序算子，将排序指标转化为可微损失并在TensorFlow中训练；以47个特色量价因子为输入、结合残差式LSTM+线性侧结构进行因子聚合，样本外（2022-2025/10）得到12.48% Rank IC 与5.41 Rank ICIR，alpha多空年化42.97%、信息比率3.19，验证了以RankIC为目标优化在提升选股排序能力与组合表现上的效果 [page::0][page::12][page::13]
