人工智能系列之 67：多任务学习初探
创建于 更新于
摘要
本报告系统介绍多任务学习的基本概念及其在量化选股中的应用，采用硬参数共享机制训练神经网络同时预测未来10日和20日收益率排序，结合不确定性加权（UW）和动态加权平均（DWA）两种损失加权方式。实证结果表明多任务学习在合成因子RankIC及组合回测信息比率上均优于传统单任务学习，且随着模型规模扩大，多任务学习优势进一步显著，同时10日与20日收益率的预测相关性更高，预测集成模型在时序上表现更稳定，有效提升泛化能力和知识迁移效果[pidx::0][pidx::2][pidx::15]。
