风险信息引入深度学习模型的若干尝试
创建于 更新于
摘要
本文围绕中证800指数增强策略，系统尝试了将Barra风险因子引入深度学习模型的多种方法，包括输入/输出端风险控制、风险信息输入融合及训练过程中的风险约束。结果显示，基于多任务损失函数的风险控制（GRUWLSLossControl）显著提升收益风险比，年化超额收益6.4%，跟踪误差2.7%，超额最大回撤2.1%，超额Calmar比率达到3.00，显著优于其他方案[page::0][page::11][page::14]。同时，基于风险暴露惩罚的GRURiskOptimize策略在2024年异常行情表现突出，回撤大幅降低。实证分析为深度学习指数增强策略风险管理提供了新思路。
