Alpha掘金系列之十二：排序学习对GRU选股模型的增强
创建于 更新于
摘要
本报告提出将排序学习引入GRU神经网络的量化选股模型，通过特征层面的注意力机制增强GRU模型（AGRU），并结合排序损失函数改进模型因子。实证显示排序损失函数（如DCG Hinge、Lambda NDCG等）在多股票池带来收益和稳定性提升。通过对最优5个Epoch模型参数均值化处理，有效缓解过拟合风险。最终构建的沪深300、中证500和中证1000指数增强策略分别实现年化超额收益16.60%、19.20%、29.81%，超额最大回撤分别仅为3.78%、4.25%、8.04%[page::0][page::6][page::11][page::12][page::14][page::16]
