量化如何追求模糊的正确：有序回归
创建于 更新于
摘要
本报告介绍有序回归的原理及其在周频中证500指数增强选股模型中的应用。通过将分类和回归的特点结合，有序回归损失函数在保持顺序和距离信息的同时，适度容忍预测误差，追求“模糊的正确”。实证显示，基于全连接神经网络或残差图注意力网络的logistic有序回归损失相较传统加权MSE损失，可显著提升模型的Rank IC、多空收益、年化超额收益和信息比率。此外，将有序回归与加权MSE预测结果集成，进一步提升超额收益表现和信息比率，实现了选股效果的稳健优化。对损失函数类型、加权方式、分类数量及模型集成方法的敏感性测试，均支持logistic损失、10分类和预测值集成为最优配置。本研究为量化因子构建及机器学习模型优化提供了有效的新思路及实践路径 [page::0][page::3][page::12][page::20]
