Mamba-MoE：风险中性化与多模型融合 机器学习系列之九
创建于 更新于
摘要
本报告提出基于Mamba架构的风险中性化深度学习选股模型，结合多任务训练实现线性与非线性风险因子约束，并利用MoE多模型融合提升模型稳健性。通过5折交叉验证缓解样本外泛化风险，回测显示Mamba-MoE因子周度Rank IC达13.22%，ICIR为1.28，十分组周频调仓多头年化收益33.01%，多空Sharpe ratio达9.25%。指数增强策略在沪深300、中证500、中证1000均实现了较高的超额收益和优异的风险控制。此外，模型较传统Transformer和GRU在性能及计算效率上均有提升。风险相关性分析显示模型具备低波动、低流动性暴露倾向，对价值和盈利因子亦有偏好，但整体风险暴露较低，模型适用于股票市场的指数增强策略 [page::0][page::1][page::6][page::7][page::8][page::11][page::12][page::13][page::17][page::18]
