破局低信噪比： 基于深度学习的因子优化研究
创建于 更新于
摘要
本报告针对低频量化策略中深度学习拟合收益率因低信噪比而受限的问题，提出以因子与收益相关系数（IC）作为优化目标，构建深度相关模型（DCM）。该模型通过Weighted IC提升选股任务中头部相关性，采用两层32单元全连接层加批标准化的神经网络结构，实现收益预测映射的非线性拟合。回测显示，DCM相比传统收益拟合神经网络，年化超额收益提升7.41%，信息率提升0.9，最大回撤得到控制，策略表现更为稳定且有效 [page::0][page::2][page::5][page::7][page::8][page::11]。
