【方正金工】再探可微RankIC的损失函数改造：基于分域加权与时序平滑正则的实证研究——机器学习选股系列研究之三
创建于 更新于
摘要
本报告围绕可微RankIC损失函数的改造展开，提出分域加权与时序平滑正则两项独立且可叠加的改进，结合渐进式训练框架实现从模型结构到训练范式的全面升级。分域加权将全市场样本分域并对各域赋予不同权重，从而使损失函数对指数成份与小微盘样本的关注更加符合指数增强策略的实际约束；时序平滑正则通过引入换手惩罚项，鼓励模型在提升RankIC的同时降低换手率，提升净收益的稳定性。进一步引入HiPreNets的渐进式训练范式，将线性基底先收敛后逐层学习残差，最终通过全局微调实现协同优化。综合实证表明，两项改造独立且叠加后，能够提升指数成份内的排序精度、信息比率和净值表现，且对小微盘的过度偏好有所抑制，趋于与指数增强目标高度一致的Alpha来源。未来可在因子扩展、Top分位优化及自适应换手惩罚等方面继续拓展 [page::0][page::1][page::2][page::3][page::4]
